▶ 横河電機株式会社の特許一覧 ▶ 横河ソリューションサービス株式会社の特許一覧
(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】P2023092089
(43)【公開日】2023-07-03
(54)【発明の名称】提供方法、提供装置および機械学習プログラム
(51)【国際特許分類】
G06Q 10/06 20230101AFI20230626BHJP
G06Q 50/20 20120101ALI20230626BHJP
【ＦＩ】
G06Q10/06
G06Q50/20
【審査請求】未請求
【請求項の数】9
【出願形態】ＯＬ
(21)【出願番号】P 2021207087
(22)【出願日】2021-12-21
(71)【出願人】
【識別番号】000006507
【氏名又は名称】横河電機株式会社
(71)【出願人】
【識別番号】513213966
【氏名又は名称】横河ソリューションサービス株式会社
(74)【代理人】
【識別番号】110002147
【氏名又は名称】弁理士法人酒井国際特許事務所
(72)【発明者】
【氏名】三枝 澄絵
(72)【発明者】
【氏名】勝木 雅人
(72)【発明者】
【氏名】川尻 幸一
(72)【発明者】
【氏名】黒沢 潤
【テーマコード（参考）】
5L049
【Ｆターム（参考）】
5L049AA06
5L049CC34
(57)【要約】
【課題】ＰＬＥアンケートの集計結果をもとに、効果的に組織を改善するための提案をすることができる。
【解決手段】提供方法は、コンピュータが、組織の改善を行う改善策の実行前に実行された学習環境に関するアンケート結果である第１のアンケート結果を取得する処理と、第１のアンケート結果の入力に応じた機械学習モデルの出力結果に基づく改善策の実行後に実行されたアンケート結果である第２のアンケート結果を取得する処理と、第２のアンケート結果に基づき、機械学習モデルの機械学習を実行する処理と、を実行する。
【選択図】図１７
【解決手段】提供方法は、コンピュータが、組織の改善を行う改善策の実行前に実行された学習環境に関するアンケート結果である第１のアンケート結果を取得する処理と、第１のアンケート結果の入力に応じた機械学習モデルの出力結果に基づく改善策の実行後に実行されたアンケート結果である第２のアンケート結果を取得する処理と、第２のアンケート結果に基づき、機械学習モデルの機械学習を実行する処理と、を実行する。
【選択図】図１７
【特許請求の範囲】
【請求項1】
コンピュータが、
組織の改善を行う改善策の実行前に実行された学習環境に関するアンケート結果である第１のアンケート結果を取得する処理と、
前記第１のアンケート結果の入力に応じた機械学習モデルの出力結果に基づく前記改善策の実行後に実行された前記アンケート結果である第２のアンケート結果を取得する処理と、
前記第２のアンケート結果に基づき、前記機械学習モデルの機械学習を実行する処理と、
を実行する提供方法。
組織の改善を行う改善策の実行前に実行された学習環境に関するアンケート結果である第１のアンケート結果を取得する処理と、
前記第１のアンケート結果の入力に応じた機械学習モデルの出力結果に基づく前記改善策の実行後に実行された前記アンケート結果である第２のアンケート結果を取得する処理と、
前記第２のアンケート結果に基づき、前記機械学習モデルの機械学習を実行する処理と、
を実行する提供方法。
【請求項2】
前記機械学習を実行する処理は、
前記第２のアンケート結果と目標とする状態とに基づく報酬を用いた強化学習により、前記機械学習モデルの機械学習を実行する、
請求項１に記載の提供方法。
前記第２のアンケート結果と目標とする状態とに基づく報酬を用いた強化学習により、前記機械学習モデルの機械学習を実行する、
請求項１に記載の提供方法。
【請求項3】
前記アンケート結果は、
各々が複数の分析カテゴリのいずれかに属する複数のアンケート項目を含み、
前記機械学習を実行する処理は、
前記第１のアンケート結果と前記第２のアンケート結果とを比較し、改善目標とする分析カテゴリに属する複数のアンケート項目の変化を特定し、
前記変化に基づく報酬を用いた強化学習により、前記機械学習モデルの機械学習を実行する、
請求項１に記載の提供方法。
各々が複数の分析カテゴリのいずれかに属する複数のアンケート項目を含み、
前記機械学習を実行する処理は、
前記第１のアンケート結果と前記第２のアンケート結果とを比較し、改善目標とする分析カテゴリに属する複数のアンケート項目の変化を特定し、
前記変化に基づく報酬を用いた強化学習により、前記機械学習モデルの機械学習を実行する、
請求項１に記載の提供方法。
【請求項4】
前記アンケート結果は、
各々が複数の分析カテゴリのいずれかに属する複数のアンケート項目を含み、
前記機械学習を実行する処理は、
前記第１のアンケート結果に含まれる前記複数のアンケート項目を用いた、前記複数の分析カテゴリのスコアを示すグラフと、前記第２のアンケート結果における前記グラフとの差分を特定し、
前記差分に基づく報酬を用いた強化学習により、前記機械学習モデルの機械学習を実行する、
請求項１に記載の提供方法。
各々が複数の分析カテゴリのいずれかに属する複数のアンケート項目を含み、
前記機械学習を実行する処理は、
前記第１のアンケート結果に含まれる前記複数のアンケート項目を用いた、前記複数の分析カテゴリのスコアを示すグラフと、前記第２のアンケート結果における前記グラフとの差分を特定し、
前記差分に基づく報酬を用いた強化学習により、前記機械学習モデルの機械学習を実行する、
請求項１に記載の提供方法。
【請求項5】
前記アンケート結果は、
各々が複数の分析カテゴリのいずれかに属する複数のアンケート項目を含み、
前記複数の分析カテゴリは、
互いに影響を与えるアンケート項目間の関係性に基づき、因果関係（原因とそれによって生じる結果との関係）が設定されており、
前記機械学習を実行する処理は、
前記複数の分析カテゴリのうちの第１の分析カテゴリを改善する前記改善策の実行後に得られた前記第２のアンケート結果が前記第１のアンケート結果から改善されていない場合に、前記第１の分析カテゴリと因果関係を有する第２の分析カテゴリの改善策を提示するように、前記機械学習モデルの機械学習を実行する、
請求項１に記載の提供方法。
各々が複数の分析カテゴリのいずれかに属する複数のアンケート項目を含み、
前記複数の分析カテゴリは、
互いに影響を与えるアンケート項目間の関係性に基づき、因果関係（原因とそれによって生じる結果との関係）が設定されており、
前記機械学習を実行する処理は、
前記複数の分析カテゴリのうちの第１の分析カテゴリを改善する前記改善策の実行後に得られた前記第２のアンケート結果が前記第１のアンケート結果から改善されていない場合に、前記第１の分析カテゴリと因果関係を有する第２の分析カテゴリの改善策を提示するように、前記機械学習モデルの機械学習を実行する、
請求項１に記載の提供方法。
【請求項6】
前記機械学習を実行する処理は、
前記第１の分析カテゴリについて目標とする状態のアンケート結果と前記第２のアンケート結果との差分が、前記目標とする状態のアンケート結果と前記第１のアンケート結果との差分より大きいほど、少ない報酬を用いた強化学習により、前記因果関係に基づく改善対象の分析カテゴリの優先順位が変わるように、前記機械学習モデルの機械学習を実行する、
請求項５に記載の提供方法。
前記第１の分析カテゴリについて目標とする状態のアンケート結果と前記第２のアンケート結果との差分が、前記目標とする状態のアンケート結果と前記第１のアンケート結果との差分より大きいほど、少ない報酬を用いた強化学習により、前記因果関係に基づく改善対象の分析カテゴリの優先順位が変わるように、前記機械学習モデルの機械学習を実行する、
請求項５に記載の提供方法。
【請求項7】
前記アンケート結果は、（Positive Learning Environment）アンケートに対する回答結果である、
請求項１～６のいずれか１項に記載の提供方法。
請求項１～６のいずれか１項に記載の提供方法。
【請求項8】
組織の改善を行う改善策の実行前に実行された学習環境に関するアンケート結果である第１のアンケート結果と、前記第１のアンケート結果の入力に応じた機械学習モデルの出力結果に基づく前記改善策の実行後に実行された前記アンケート結果である第２のアンケート結果とを取得する取得部と、
前記第２のアンケート結果に基づき、前記機械学習モデルの機械学習を実行する学習部と、
を備える提供装置。
前記第２のアンケート結果に基づき、前記機械学習モデルの機械学習を実行する学習部と、
を備える提供装置。
【請求項9】
コンピュータに、
組織の改善を行う改善策の実行前に実行された学習環境に関するアンケート結果である第１のアンケート結果を取得する処理と、
前記第１のアンケート結果の入力に応じた機械学習モデルの出力結果に基づく前記改善策の実行後に実行された前記アンケート結果である第２のアンケート結果を取得する処理と、
前記第２のアンケート結果に基づき、前記機械学習モデルの機械学習を実行する処理と、
を実行させる機械学習プログラム。
組織の改善を行う改善策の実行前に実行された学習環境に関するアンケート結果である第１のアンケート結果を取得する処理と、
前記第１のアンケート結果の入力に応じた機械学習モデルの出力結果に基づく前記改善策の実行後に実行された前記アンケート結果である第２のアンケート結果を取得する処理と、
前記第２のアンケート結果に基づき、前記機械学習モデルの機械学習を実行する処理と、
を実行させる機械学習プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、提供方法、提供装置および機械学習プログラムに関する。
【背景技術】
【0002】
従来、組織のパフォーマンスにつながる人員の育成を効果的に実現するために、肯定的学習環境（Positive Learning Environment：ＰＬＥ）アンケートを組織の人員に行い、ＰＬＥアンケートの集計結果をもとに組織の改善策を策定する手法が知られている。ここで、組織において、肯定的学習環境（ＰＬＥ）が整うことにより、自ら考えて行動できる状態になると、個人の学習への意識が強化され、行動変容が起こり、組織成長の肯定的なスパイラルが形成することが期待できる。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０１９－１３３２２５号公報
【特許文献2】特開２００２－３２８５９０号公報
【特許文献3】特開２００２－１９６６５８号公報
【特許文献4】特開２００２－０７２８４８号公報
【特許文献5】特開２００５－０９２４９２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、ＰＬＥアンケートの集計結果をもとに、効果的に組織を改善するための提案をすることは難しい。なぜならば、ＰＬＥアンケートの各項目は、相互に複雑な関連性を有しており、個々のアンケート項目の結果だけでは、組織の改善点を見つけ出すことが困難だからである。したがって、ＰＬＥアンケート結果を用いて、組織の現状の問題点を適切に把握し、かつ効果的な教育方針や人材育成方略を決定するための手法が求められている。
【0005】
本発明は、ＰＬＥアンケートの集計結果をもとに、効果的に組織を改善するための提案をすることを目的とする。
【課題を解決するための手段】
【0006】
本発明は、コンピュータが、組織の改善を行う改善策の実行前に実行された学習環境に関するアンケート結果である第１のアンケート結果を取得する処理と、前記第１のアンケート結果の入力に応じた機械学習モデルの出力結果に基づく前記改善策の実行後に実行された前記アンケート結果である第２のアンケート結果を取得する処理と、前記第２のアンケート結果に基づき、前記機械学習モデルの機械学習を実行する処理と、を実行する提供方法を提供する。
【0007】
また、本発明は、組織の改善を行う改善策の実行前に実行された学習環境に関するアンケート結果である第１のアンケート結果と、前記第１のアンケート結果の入力に応じた機械学習モデルの出力結果に基づく前記改善策の実行後に実行された前記アンケート結果である第２のアンケート結果とを取得する取得部と、前記第２のアンケート結果に基づき、前記機械学習モデルの機械学習を実行する学習部と、を備える提供装置を提供する。
【0008】
また、本発明は、コンピュータに、組織の改善を行う改善策の実行前に実行された学習環境に関するアンケート結果である第１のアンケート結果を取得する処理と、前記第１のアンケート結果の入力に応じた機械学習モデルの出力結果に基づく前記改善策の実行後に実行された前記アンケート結果である第２のアンケート結果を取得する処理と、前記第２のアンケート結果に基づき、前記機械学習モデルの機械学習を実行する処理と、を実行させる機械学習プログラムを提供する。
【発明の効果】
【0009】
本発明によれば、ＰＬＥアンケートの集計結果をもとに、効果的に組織を改善するための提案をすることができるという効果がある。
【図面の簡単な説明】
【0010】
【図1】実施形態１に係る提供システムの構成例を示す図である。
【図2】実施形態１に係るＰＬＥアンケートの一例を示す図である。
【図3】実施形態１に係る提示情報の一例を示す図である。
【図4】実施形態１に係るロジックツリーの一例を示す図である。
【図5】実施形態１に係る提供装置の構成例を示すブロック図である。
【図6】実施形態１に係る提示情報の一例を示す図である。
【図7】実施形態１に係る提示情報の一例を示す図である。
【図8】実施形態１に係る提示情報の一例を示す図である。
【図9】実施形態１に係る提示情報の一例を示す図である。
【図10】実施形態１に係る提示情報の一例を示す図である。
【図11】実施形態１に係る提供処理全体の流れを示すフローチャートである。
【図12】実施形態２に係る提供システムの構成例を示す図である。
【図13】実施形態２に係る学習処理の一例を示す図である。
【図14】実施形態２に係る学習処理の一例を示す図である。
【図15】実施形態２に係る学習処理の一例を示す図である。
【図16】実施形態２に係る学習処理の一例を示す図である。
【図17】実施形態２に係る提供装置の構成例を示すブロック図である。
【図18】実施形態２に係る提供処理全体の流れを示すフローチャートである。
【図19】ハードウェア構成例を説明する図である。
【発明を実施するための形態】
【0011】
以下に、本発明の一実施形態に係る提供方法、提供装置および機械学習プログラムを、図面を参照して詳細に説明する。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。
【0012】
〔実施形態１〕
以下に、実施形態１に係る提供システム１００－１の構成、提供装置１０－１の構成、各処理の流れを順に説明し、最後に実施形態１の効果を説明する。
以下に、実施形態１に係る提供システム１００－１の構成、提供装置１０－１の構成、各処理の流れを順に説明し、最後に実施形態１の効果を説明する。
【0013】
［１．提供システム１００－１の構成］
図１を用いて、実施形態１に係る提供システム（以下、適宜、本システムともいう）１００－１の構成を詳細に説明する。図１は、実施形態に係る提供システムの構成例を示す図である。以下に、本システム１００－１全体の構成例を示した上で、本システム１００－１の処理について説明する。なお、本実施形態では、企業育成における組織改善策提供システムを一例にして説明するが、対象を限定するものではなく、様々なシステムに適用することができる。
図１を用いて、実施形態１に係る提供システム（以下、適宜、本システムともいう）１００－１の構成を詳細に説明する。図１は、実施形態に係る提供システムの構成例を示す図である。以下に、本システム１００－１全体の構成例を示した上で、本システム１００－１の処理について説明する。なお、本実施形態では、企業育成における組織改善策提供システムを一例にして説明するが、対象を限定するものではなく、様々なシステムに適用することができる。
【0014】
（１－１．システム全体の構成例）
本システム１００－１は、提供装置１０－１を有する。なお、本システム１００－１には、複数台の提供装置１０－１が含まれてもよい。また、本システム１００－１では、提供装置１０－１に入力するデータとして、ＰＬＥアンケート結果２１、また、提供装置１０－１が出力するデータとして、分析結果３１や提案コメント３２を含む提示情報３０が関与する。
本システム１００－１は、提供装置１０－１を有する。なお、本システム１００－１には、複数台の提供装置１０－１が含まれてもよい。また、本システム１００－１では、提供装置１０－１に入力するデータとして、ＰＬＥアンケート結果２１、また、提供装置１０－１が出力するデータとして、分析結果３１や提案コメント３２を含む提示情報３０が関与する。
【0015】
（１－２．システム全体の処理）
このようなシステムにおける提供装置１０－１は、学習済みである機械学習モデル１４ｄを有し、機械学習モデル１４ｄを用いて、ＰＬＥアンケート結果２１から提示情報３０を生成して、出力するコンピュータ装置の一例である。以下では、提供装置１０－１が有する機械学習モデル１４ｄについて説明した上で、提供装置１０－１が実行する入力処理、出力処理の順に説明する。
このようなシステムにおける提供装置１０－１は、学習済みである機械学習モデル１４ｄを有し、機械学習モデル１４ｄを用いて、ＰＬＥアンケート結果２１から提示情報３０を生成して、出力するコンピュータ装置の一例である。以下では、提供装置１０－１が有する機械学習モデル１４ｄについて説明した上で、提供装置１０－１が実行する入力処理、出力処理の順に説明する。
【0016】
まず、提供装置１０－１が有する機械学習モデル１４ｄは、ＰＬＥアンケート結果２１の入力に応じて提示情報３０を生成するように学習されたモデルであり、ニューラルネットワークなどを採用することができる。また、機械学習モデル１４ｄの学習にも様々なアルゴリズムを採用することができる。例えば、提供装置１０－１は、学習データ「入力データ、正解情報」として「ＰＬＥアンケート結果、提示情報」を機械学習モデル１４ｄに入力し、機械学習モデル１４ｄの出力結果と正解情報とが一致するように、機械学習モデル１４ｄの学習を実行する。そして、提供装置１０－１は、このように学習された機械学習モデル１４ｄを用いて、ＰＬＥアンケートの集計結果から提示する情報を取得し、効果的に組織を改善するための各種提案を実行する。以下では、各種提案の実行例について説明する。
【0017】
（１－２－１．入力処理）
第１に、提供装置１０－１は、ＰＬＥアンケート結果２１の入力を受け付ける（ステップＳ１）。このとき、提供装置１０－１が入力を受け付けるＰＬＥアンケート結果２１は、ＰＬＥアンケートの項目ごとに集計されたデータであってもよいし、アンケート回答者の所有する端末装置によって送信された集計前のデータであってもよい。
第１に、提供装置１０－１は、ＰＬＥアンケート結果２１の入力を受け付ける（ステップＳ１）。このとき、提供装置１０－１が入力を受け付けるＰＬＥアンケート結果２１は、ＰＬＥアンケートの項目ごとに集計されたデータであってもよいし、アンケート回答者の所有する端末装置によって送信された集計前のデータであってもよい。
【0018】
（１－２－２．出力処理）
第２に、提供装置１０－１は、機械学習モデル１４ｄから取得した分析結果３１や提案コメント３２を含む提示情報３０を出力する（ステップＳ２）。このとき、提供装置１０－１は、機械学習モデル１４ｄにＰＬＥアンケート結果２１を入力し、提示情報３０を取得する。例えば、機械学習モデル１４ｄにより、ＰＬＥアンケート結果２１について、項目ごとの集計、他の部署・部門や他社との結果との比較、分析カテゴリごとの評価、改善が必要な要素について特定等が実行される。そして、出力された分析結果３１や提案コメント３２を含む提示情報３０は、教育前ＰＬＥアンケート結果２１－１を回答した企業等に提示され、企業育成における組織改善策として活用される。
第２に、提供装置１０－１は、機械学習モデル１４ｄから取得した分析結果３１や提案コメント３２を含む提示情報３０を出力する（ステップＳ２）。このとき、提供装置１０－１は、機械学習モデル１４ｄにＰＬＥアンケート結果２１を入力し、提示情報３０を取得する。例えば、機械学習モデル１４ｄにより、ＰＬＥアンケート結果２１について、項目ごとの集計、他の部署・部門や他社との結果との比較、分析カテゴリごとの評価、改善が必要な要素について特定等が実行される。そして、出力された分析結果３１や提案コメント３２を含む提示情報３０は、教育前ＰＬＥアンケート結果２１－１を回答した企業等に提示され、企業育成における組織改善策として活用される。
【0019】
図１の例では、分析結果３１として、レーダーチャートを用いて、「Ａ社」と「Ｂ社」を所定の分析カテゴリごとに比較した「企業育成状況分析」が表示されているが、分析結果３１は、質問別の達成度を示した折れ線グラフ、棒グラフや、分析カテゴリ別の達成度を示した円グラフ、帯グラフ等のグラフで示してもよいし、各種の数値を表で示してもよいし、特に限定されない。また、図１の例では、提案コメント３２として、「○○領域に課題がありそうです。特に、△△と□□に改善の余地がありそうです。」と、領域（カテゴリ）やその領域内での要素についてのアドバイスを示しているが、提案コメント３２は、複数の分析カテゴリに関わるアドバイスやその優先順位を示したものでもよく、特に限定されない。
【0020】
上述のステップＳ１～Ｓ２の処理を実行することにより、ＰＬＥアンケート結果を用いて、組織の現状の問題点を適切に把握し、かつ効果的な教育方針や人材育成方略を決定することができる。
【0021】
（１－３．各処理に関与するデータ例）
図２～図４を用いて、上述したステップＳ１～Ｓ２の処理に関与するデータについて説明する。以下では、ステップＳ１の入力処理に関与するデータ、ステップＳ２の出力処理に関与するデータ、ステップＳ１およびＳ２の入出力処理に関与するデータの順に説明する。
図２～図４を用いて、上述したステップＳ１～Ｓ２の処理に関与するデータについて説明する。以下では、ステップＳ１の入力処理に関与するデータ、ステップＳ２の出力処理に関与するデータ、ステップＳ１およびＳ２の入出力処理に関与するデータの順に説明する。
【0022】
（１－３－１．ＰＬＥアンケート２０）
図２を用いて、ステップＳ１の入力処理に関与する回答前のＰＬＥアンケート２０の具体例について説明する。図２は、実施形態１に係るＰＬＥアンケートの一例を示す図である。図２に示すように、ＰＬＥアンケート２０は、「質問１」～「質問３０」の３０項目の質問が用意されており、回答者は匿名で各質問に対して「Ｙｅｓ」か「Ｎｏ」で回答する。例えば、企業の部署・部門ごとに所属する構成員の回答を集計し、「Ｙｅｓ」の数が少ない項目については改善が必要であることがわかる。なお、図２に示すＰＬＥアンケート２０は一例であり、アンケートの項目を減らしたり、他の質問を増やしたりすることもできる。また、「Ｙｅｓ」か「Ｎｏ」で回答する形式ではなく、各質問に対して組織の達成度を５段階で回答する形式でもよく、特に限定されない。
図２を用いて、ステップＳ１の入力処理に関与する回答前のＰＬＥアンケート２０の具体例について説明する。図２は、実施形態１に係るＰＬＥアンケートの一例を示す図である。図２に示すように、ＰＬＥアンケート２０は、「質問１」～「質問３０」の３０項目の質問が用意されており、回答者は匿名で各質問に対して「Ｙｅｓ」か「Ｎｏ」で回答する。例えば、企業の部署・部門ごとに所属する構成員の回答を集計し、「Ｙｅｓ」の数が少ない項目については改善が必要であることがわかる。なお、図２に示すＰＬＥアンケート２０は一例であり、アンケートの項目を減らしたり、他の質問を増やしたりすることもできる。また、「Ｙｅｓ」か「Ｎｏ」で回答する形式ではなく、各質問に対して組織の達成度を５段階で回答する形式でもよく、特に限定されない。
【0023】
（１－３－２．提示情報３０）
図３を用いて、ステップＳ２の出力処理に関与する提示情報３０の具体例について説明する。図３は、実施形態１に係る提示情報の一例を示す図である。図３に示すように、提示情報３０には、分析結果３１（３１－１、３１－２）が含まれる。分析結果３１は、例えば分析結果３１－１のように、分析カテゴリごとに比較できるレーダーチャート等が提示される。なお、提供装置１０－１が出力する分析結果３１や提案コメント３２を含む提示情報３０は、機械学習モデル１４ｄの学習内容によって異なる。以下では、図１の例とは異なる機械学習モデル１４ｄの提示情報３０について説明する。
図３を用いて、ステップＳ２の出力処理に関与する提示情報３０の具体例について説明する。図３は、実施形態１に係る提示情報の一例を示す図である。図３に示すように、提示情報３０には、分析結果３１（３１－１、３１－２）が含まれる。分析結果３１は、例えば分析結果３１－１のように、分析カテゴリごとに比較できるレーダーチャート等が提示される。なお、提供装置１０－１が出力する分析結果３１や提案コメント３２を含む提示情報３０は、機械学習モデル１４ｄの学習内容によって異なる。以下では、図１の例とは異なる機械学習モデル１４ｄの提示情報３０について説明する。
【0024】
ここで、レーダーチャートに表示される各分析カテゴリは、後述するロジックツリーによって分類される関連性を有する要素の集合である。ここで、図３の分析結果３１－１の例では、分析カテゴリとして、「職場で求められる目標が示されている」、「目標を達成に紐づく学習方略がある」、「学びが現場で生かされている」、「肯定的な学習環境である」、「学習の成果が評価されている」が示されている。上述したＰＬＥアンケート２０の質問は、それぞれ関連性を考慮して分析カテゴリに分類されており、単に各質問のスコアだけではなく、同一の分析カテゴリに分類される質問の達成度によって分析カテゴリのスコアが定まる。
【0025】
また、分析結果３１は、例えば分析結果３１－２のように、総合的な得点をもとに組織ごとのベンチマーク等が提示される。ここで、図３の分析結果３１－２の例では、比較対象であるＡ社の得点「２３点」および順位「１１位」と、Ｂ社の得点「４点」および順位「８５位」が示されている。
【0026】
一方、図３に示すように、提示情報３０には、提案コメント３２（３２－１、３２－２）が含まれる。提案コメント３２は、例えば提案コメント３２－１のように、Ｂ社の育成状況を改善するためのコメントである「エグゼクティブ・サマリー」等が提示される。図３の例では、エグゼクティブ・サマリーとして、Ｂ社の育成状況が業界平均値よりも低く、改善するためには、分析結果３１－１のレーダーチャートにおいて数値が閾値未満である「肯定的な学習環境である」や「学習の成果が評価されている」を改善することを勧めるメッセージが表示されている。
【0027】
なお、エグゼクティブ・サマリーに出力される内容は、機械学習の内容によって変更させることもできる。例えば、機械学習モデル１４ｄの学習時に、学習データの説明変数に各分析カテゴリの評価値、学習データの正解情報（ラベル）にメッセージ内容を含ませることで、機械学習モデル１４ｄは、ＰＬＥアンケートの回答の入力に応じてエグゼクティブ・サマリーの内容を自動生成することもできる。この場合、提供装置１０－１は、機械学習モデル１４ｄから出力された結果をそのまま表示出力する。
【0028】
また、機械学習モデル１４ｄの学習時に、学習データの説明変数に各分析カテゴリの評価値、学習データの正解情報（ラベル）にキーワードを含ませることで、機械学習モデル１４ｄは、ＰＬＥアンケートの回答の入力に応じてキーワードを出力することもできる。この場合、提供装置１０－１は、予め用意した定型文に、機械学習モデル１４ｄから出力されたキーワードを入力して表示出力する。
【0029】
また、提案コメント３２は、例えば提案コメント３２－２のように、Ｂ社の教育方針や効果に関するコメントである「ポテンシャル」等が提示される。図３の例では、ポテンシャルとして、分析結果３１－１のレーダーチャートにおいて数値が閾値以上である「学びが現場で生かされている」を評価するメッセージが表示されている。
【0030】
なお、ポテンシャルに表示される内容も、上記エグゼクティブ・サマリーと同様に、学習内容により任意に設定変更することができる。例えば、機械学習モデル１４ｄの学習時に、学習データの説明変数に各分析カテゴリの評価値、学習データの正解情報（ラベル）にメッセージ内容を含ませることで、機械学習モデル１４ｄは、ＰＬＥアンケートの入力に応じポテンシャルの内容を自動生成することもできる。また、機械学習モデル１４ｄの学習時に、学習データの説明変数に各分析カテゴリの評価値、学習データの正解情報（ラベル）にキーワードを含ませることで、機械学習モデル１４ｄは、ＰＬＥアンケートの入力に応じてキーワードを出力することもできる。
【0031】
（１－３－３．ロジックツリー）
図４を用いて、ステップＳ１およびＳ２の入出力処理に関与するロジックツリーの具体例について説明する。図４は、実施形態１に係るロジックツリーの一例を示す図である。図４に示すように、ロジックツリーは、アンケートの質問または質問群である要素を関連性がある分析カテゴリに分類し、かつ因果関係や優先順位を示したものである。例えば、分析カテゴリは、ＰＬＥアンケート項目を、「革新奨励」、「学習」、「制度」、「場」、「マネージメント組織風土」等に分類したものである。また、例えば、「マネージメント組織風土」は、上記「職場で求められる目標が示されている」に対応し、「制度」は、上記「目標を達成に紐づく学習方略がある」に対応し、「場」は、上記「学びが現場で生かされている」に対応し、「学習」は、上記「肯定的な学習環境である」に対応し、「革新奨励」は、上記「学習の成果が評価されている」に対応する。
図４を用いて、ステップＳ１およびＳ２の入出力処理に関与するロジックツリーの具体例について説明する。図４は、実施形態１に係るロジックツリーの一例を示す図である。図４に示すように、ロジックツリーは、アンケートの質問または質問群である要素を関連性がある分析カテゴリに分類し、かつ因果関係や優先順位を示したものである。例えば、分析カテゴリは、ＰＬＥアンケート項目を、「革新奨励」、「学習」、「制度」、「場」、「マネージメント組織風土」等に分類したものである。また、例えば、「マネージメント組織風土」は、上記「職場で求められる目標が示されている」に対応し、「制度」は、上記「目標を達成に紐づく学習方略がある」に対応し、「場」は、上記「学びが現場で生かされている」に対応し、「学習」は、上記「肯定的な学習環境である」に対応し、「革新奨励」は、上記「学習の成果が評価されている」に対応する。
【0032】
ここで、図４で示す「カテゴリＡ」～「カテゴリＥ」や「要素ａ」～「要素ｒ」の位置関係は、上部に行くほど達成が困難であることを示す。例えば、「カテゴリＡ」、「カテゴリＢ」、「カテゴリＣ」、「カテゴリＥ」を達成していない組織は、「カテゴリＤ」を達成できない。また、例えば、「カテゴリＡ」を達成するためには、「要素о」→「要素ｊ」→「要素ａ」の順に改善する必要があることを示す。また、異なるカテゴリに分類される要素であっても、互いに関連する要素があり、例えば「カテゴリＣ」に分類される「要素ｑ」は、「カテゴリＡ」の「要素ａ」や「カテゴリＢ」の「要素ｐ」や「カテゴリＥ」の「要素ｒ」と因果関係を有する。
【0033】
上述したステップＳ１～Ｓ２の入出力処理では、提供装置１０－１は、ＰＬＥアンケート結果２１をもとに、事前に設定されたロジックツリーを用いて、各分析カテゴリの達成度をスコアとして算出することができる。また、提供装置１０－１の有する機械学習モデル１４ｄは、上記のロジックツリーが示す因果関係や優先順位をもとにした学習済みモデルである。
【0034】
［２．提供装置１０－１の構成］
図５～図９を用いて、図１に示した提供システム１００－１が有する提供装置１０－１の機能構成について説明する。以下では、実施形態１に係る提供装置１０－１の構成、実施形態１に係る提示情報を詳細に説明する。
図５～図９を用いて、図１に示した提供システム１００－１が有する提供装置１０－１の機能構成について説明する。以下では、実施形態１に係る提供装置１０－１の構成、実施形態１に係る提示情報を詳細に説明する。
【0035】
（２－１．提供装置１０－１の構成）
まず、図５を用いて、図１に示した提供装置１０－１の構成について説明する。図５は、実施形態１に係る提供装置の構成例を示すブロック図である。提供装置１０－１は、入力部１１、出力部１２、通信部１３、記憶部１４および制御部１５－１を有する。
まず、図５を用いて、図１に示した提供装置１０－１の構成について説明する。図５は、実施形態１に係る提供装置の構成例を示すブロック図である。提供装置１０－１は、入力部１１、出力部１２、通信部１３、記憶部１４および制御部１５－１を有する。
【0036】
（２－１－１．入力部１１）
入力部１１は、当該提供装置１０－１への各種情報の入力を司る。例えば、入力部１１は、マウスやキーボード等で実現され、当該提供装置１０－１への設定情報等の入力を受け付ける。
入力部１１は、当該提供装置１０－１への各種情報の入力を司る。例えば、入力部１１は、マウスやキーボード等で実現され、当該提供装置１０－１への設定情報等の入力を受け付ける。
【0037】
（２－１－２．出力部１２）
出力部１２は、当該提供装置１０－１からの各種情報の出力を司る。例えば、出力部１２は、ディスプレイ等で実現され、当該提供装置１０－１に記憶された設定情報等を出力する。
出力部１２は、当該提供装置１０－１からの各種情報の出力を司る。例えば、出力部１２は、ディスプレイ等で実現され、当該提供装置１０－１に記憶された設定情報等を出力する。
【0038】
（２－１－３．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、ルータ等を介して、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。
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、ルータ等を介して、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。
【0039】
（２－１－４．記憶部１４）
記憶部１４は、制御部１５－１が動作する際に参照する各種情報や、制御部１５－１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、学習データ記憶部１４ａ、アンケート結果記憶部１４ｂ、提示情報記憶部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実現され得る。なお、図５の例では、記憶部１４は、提供装置１０－１の内部に設置されているが、提供装置１０－１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。
記憶部１４は、制御部１５－１が動作する際に参照する各種情報や、制御部１５－１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、学習データ記憶部１４ａ、アンケート結果記憶部１４ｂ、提示情報記憶部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実現され得る。なお、図５の例では、記憶部１４は、提供装置１０－１の内部に設置されているが、提供装置１０－１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。
【0040】
（学習データ記憶部１４ａ）
学習データ記憶部１４ａは、機械学習モデル１４ｄを学習するための学習データを記憶する。例えば、学習データ記憶部１４ａは、学習データ「入力データ、正解情報」として「ＰＬＥアンケート結果、提示情報」等の機械学習モデル１４ｄに入力するためのデータを記憶する。
学習データ記憶部１４ａは、機械学習モデル１４ｄを学習するための学習データを記憶する。例えば、学習データ記憶部１４ａは、学習データ「入力データ、正解情報」として「ＰＬＥアンケート結果、提示情報」等の機械学習モデル１４ｄに入力するためのデータを記憶する。
【0041】
（アンケート結果記憶部１４ｂ）
アンケート結果記憶部１４ｂは、機械学習モデル１４ｄに入力するためのＰＬＥアンケート結果２１を記憶する。例えば、アンケート結果記憶部１４ｂは、図２で示したＰＬＥアンケート２０に対する会社や部署・部門ごとの回答を記憶する。また、アンケート結果記憶部１４ｂは、図２で示したＰＬＥアンケート２０の回答を集計したデータを記憶してもよい。
アンケート結果記憶部１４ｂは、機械学習モデル１４ｄに入力するためのＰＬＥアンケート結果２１を記憶する。例えば、アンケート結果記憶部１４ｂは、図２で示したＰＬＥアンケート２０に対する会社や部署・部門ごとの回答を記憶する。また、アンケート結果記憶部１４ｂは、図２で示したＰＬＥアンケート２０の回答を集計したデータを記憶してもよい。
【0042】
（提示情報記憶部１４ｃ）
提示情報記憶部１４ｃは、後述する制御部１５－１の提示部１５ｃが機械学習モデル１４ｄから取得した分析結果３１や提案コメント３２を記憶する。例えば、提示情報記憶部１４ｃは、分析結果３１として図１で示した「Ａ社」と「Ｂ社」の分析カテゴリごとのスコアを示したレーダーチャートや、提案コメント３２として図１で示した「Ｂ社」の課題がある領域等を示したコメントを記憶する。
提示情報記憶部１４ｃは、後述する制御部１５－１の提示部１５ｃが機械学習モデル１４ｄから取得した分析結果３１や提案コメント３２を記憶する。例えば、提示情報記憶部１４ｃは、分析結果３１として図１で示した「Ａ社」と「Ｂ社」の分析カテゴリごとのスコアを示したレーダーチャートや、提案コメント３２として図１で示した「Ｂ社」の課題がある領域等を示したコメントを記憶する。
【0043】
（機械学習モデル１４ｄ）
機械学習モデル１４ｄは、ＰＬＥアンケート結果２１の入力に応じて提示情報３０を生成するように学習されたモデルである。例えば、機械学習モデル１４ｄは、後述する制御部１５－１の生成部１５ａによって、学習データ記憶部１４ａに記憶された学習データを用いて生成された学習済みモデルである。
機械学習モデル１４ｄは、ＰＬＥアンケート結果２１の入力に応じて提示情報３０を生成するように学習されたモデルである。例えば、機械学習モデル１４ｄは、後述する制御部１５－１の生成部１５ａによって、学習データ記憶部１４ａに記憶された学習データを用いて生成された学習済みモデルである。
【0044】
（２－１－５．制御部１５－１）
制御部１５－１は、当該提供装置１０－１全体の制御を司る。制御部１５－１は、生成部１５ａ、取得部１５ｂおよび提示部１５ｃを有する。ここで、制御部１５－１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）等の集積回路により実現され得る。
制御部１５－１は、当該提供装置１０－１全体の制御を司る。制御部１５－１は、生成部１５ａ、取得部１５ｂおよび提示部１５ｃを有する。ここで、制御部１５－１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）等の集積回路により実現され得る。
【0045】
（生成部１５ａ）
生成部１５ａは、機械学習モデル１４ｄに学習データを入力し、学習済みモデルを生成する。例えば、生成部１５ａは、学習データ「入力データ、正解情報」として「ＰＬＥアンケート結果、提示情報」を機械学習モデル１４ｄに入力し、機械学習モデル１４ｄの出力結果と正解情報とが一致するように、機械学習モデル１４ｄの学習を実行する。なお、生成部１５ａは、学習データを学習データ記憶部１４ａから取得する。また、上述したように、正解情報を変更することにより、機械学習モデル１４ｄによる分析内容を変更することができる。
生成部１５ａは、機械学習モデル１４ｄに学習データを入力し、学習済みモデルを生成する。例えば、生成部１５ａは、学習データ「入力データ、正解情報」として「ＰＬＥアンケート結果、提示情報」を機械学習モデル１４ｄに入力し、機械学習モデル１４ｄの出力結果と正解情報とが一致するように、機械学習モデル１４ｄの学習を実行する。なお、生成部１５ａは、学習データを学習データ記憶部１４ａから取得する。また、上述したように、正解情報を変更することにより、機械学習モデル１４ｄによる分析内容を変更することができる。
【0046】
（取得部１５ｂ）
取得部１５ｂは、組織の学習環境に関するアンケートの回答を取得する。例えば、取得部１５ｂは、企業、部署、部門等の所定の組織ごとの構成員が回答したＰＬＥアンケート結果２１を取得する。このとき、取得部１５ｂは、構成員が匿名で回答したＰＬＥアンケート結果２１のデータを通信部１３を介して取得してもよい。また、取得部１５ｂは、組織ごとの構成員が回答したＰＬＥアンケート結果を集計したデータを取得してもよい。
取得部１５ｂは、組織の学習環境に関するアンケートの回答を取得する。例えば、取得部１５ｂは、企業、部署、部門等の所定の組織ごとの構成員が回答したＰＬＥアンケート結果２１を取得する。このとき、取得部１５ｂは、構成員が匿名で回答したＰＬＥアンケート結果２１のデータを通信部１３を介して取得してもよい。また、取得部１５ｂは、組織ごとの構成員が回答したＰＬＥアンケート結果を集計したデータを取得してもよい。
【0047】
（提示部１５ｃ）
提示部１５ｃは、アンケート結果２１と機械学習モデル１４ｄとを用いて得られた組織の分析結果３１及び組織を成長させるための提案コメント３２の少なくとも一方を提示する。ここで、機械学習モデル１４ｄは、アンケート結果２１に対応するデータが入力されると分析結果３１及び提案コメント３２の少なくとも一方に対応するデータを出力するように生成部１５ａによって学習された機械学習モデルである。
提示部１５ｃは、アンケート結果２１と機械学習モデル１４ｄとを用いて得られた組織の分析結果３１及び組織を成長させるための提案コメント３２の少なくとも一方を提示する。ここで、機械学習モデル１４ｄは、アンケート結果２１に対応するデータが入力されると分析結果３１及び提案コメント３２の少なくとも一方に対応するデータを出力するように生成部１５ａによって学習された機械学習モデルである。
【0048】
例えば、提示部１５ｃは、分析結果３１として、複数の分析カテゴリそれぞれのスコアを含む結果を提示する。ここで、アンケート結果２１は、各々がいずれかの分析カテゴリに属する複数のアンケート項目の回答を含む。また、機械学習モデル１４ｄは、或る１つの分析カテゴリに属するアンケート項目の回答が、当該１つの分析カテゴリのスコアだけでなく他の分析カテゴリのスコアにも反映されるように、分析結果３１に対応するデータを出力する。図４の例を用いて説明すると、例えばＰＬＥアンケート結果２１において「カテゴリＡ」に含まれるアンケート項目である「要素ａ」は、「カテゴリＢ」に含まれるアンケート項目である「要素ｂ」とも関連性を有している。そのため、機械学習モデル１４ｄは、「カテゴリＢ」のスコアを出力する際には、「要素ｂ」だけではなく、関連性を有する「要素ａ」の回答が反映されるように分析結果３１を出力する。
【0049】
また、提示部１５ｃは、提案コメント３２として、分析カテゴリのスコアを改善するための対策を提案するコメントを提示する。また、機械学習モデル１４ｄは、或る１つの分析カテゴリに属するアンケート項目の回答が、当該１つの分析カテゴリのスコアを改善するための対策の提案だけでなく他の分析カテゴリのスコアを改善するための対策の提案にも反映されるように、提案コメント３２に対応するデータを出力する。上述した図４の例を用いて説明すると、機械学習モデル１４ｄは、「カテゴリＢ」のスコアを改善するための提案を出力する際には、「カテゴリＢ」の「要素ｂ」や下位層の「要素ｋ」、「要素ｐ」だけではなく、関連性を有する「カテゴリＡ」の「要素ａ」や下位層の「要素ｊ」、「要素о」の回答を改善するための対策の提案にも反映されるように提案コメント３２を出力する。
【0050】
また、提示部１５ｃは、提案コメント３２として、分析結果３１を示すグラフに基づいて、分析カテゴリのスコアを改善するための対策を提案するコメントを提示する。例えば、提示部１５ｃは、複数の分析カテゴリのスコアを示すレーダーチャートの面積を大きくするための対策を提案するコメントを提示する。上述した図１の分析結果３１の例を用いて説明すると、機械学習モデル１４ｄは、「Ｂ社」の「企業育成状況分析」のレーダーチャートの五角形の面積を最大化するように対策を提案するコメントを提示する。また、提示部１５ｃは、提案コメント３２として、質問別の達成度を示した折れ線グラフ、棒グラフの高さや面積を大きくしたり、分析カテゴリ別の達成度を示した円グラフ、帯グラフの特定のカテゴリの面積を大きくしたりするための対策を提案するコメントを提示することもできる。
【0051】
また、提示部１５ｃは、分析カテゴリのスコアを改善するための対策として、ルーブリック開発、人財育成戦略策定、ワークショップ、研修設計、実践サポート及びマネージメントへのコーチングの少なくとも１つを含む対策を提案するコメントを提示する。
【0052】
ここで、複数の分析カテゴリとは、革新奨励に関する分析カテゴリ、学習に関する分析カテゴリ、制度に関する分析カテゴリ、場に関する分析カテゴリ及びマネージメント組織風土に関する分析カテゴリを含む。
【0053】
（２－２．提示情報３０の具体例）
次に、図６～図１０を用いて、提示部１５ｃが取得する提示情報３０の詳細について説明する。図６～図１０は、実施形態１の提示情報の一例を示す図である。以下では、提示情報３０として、分析結果３１、提案コメント３２の順に説明する。
次に、図６～図１０を用いて、提示部１５ｃが取得する提示情報３０の詳細について説明する。図６～図１０は、実施形態１の提示情報の一例を示す図である。以下では、提示情報３０として、分析結果３１、提案コメント３２の順に説明する。
【0054】
（２－２－１．分析結果３１）
図６を用いて、分析結果３１の一例について説明する。図６に示すように、提示部１５ｃは、分析結果３１として、ＰＬＥアンケート結果２１の各質問における「Ｙｅｓ」の回答数や割合を取得する。図６の例では、回答数「ｎ＝１８」のうち、図２で示したＰＬＥアンケート２０の「質問１」～「質問３０」の各質問に「Ｙｅｓ」と回答した回答数と割合を示している。
図６を用いて、分析結果３１の一例について説明する。図６に示すように、提示部１５ｃは、分析結果３１として、ＰＬＥアンケート結果２１の各質問における「Ｙｅｓ」の回答数や割合を取得する。図６の例では、回答数「ｎ＝１８」のうち、図２で示したＰＬＥアンケート２０の「質問１」～「質問３０」の各質問に「Ｙｅｓ」と回答した回答数と割合を示している。
【0055】
図７を用いて、分析結果３１の一例について説明する。図７に示すように、提示部１５ｃは、分析結果３１として、ＰＬＥアンケート結果２１を入力された機械学習モデル１４ｄが出力した分析カテゴリごとの評価値の表を取得する。図７の例では、「カテゴリＡ」～「カテゴリＥ」ごとに、評価対象の組織の評価値である「今回評価値（％）」と、評価対象の組織の全体の評価値である「全体結果（％）」とを示している。
【0056】
このとき、機械学習モデル１４ｄは、上記の分析カテゴリとして、例えば、革新奨励に関する分析カテゴリ、学習に関する分析カテゴリ、制度に関する分析カテゴリ、場に関する分析カテゴリ及びマネージメント組織風土に関する分析カテゴリ等のスコアを含む分析結果３１を出力する。
【0057】
図８を用いて、分析結果３１の一例について説明する。図８に示すように、提示部１５ｃは、分析結果３１として、ＰＬＥアンケート結果２１の各質問における「Ｙｅｓ」の回答結果を取得する。図８の例では、図２で示したＰＬＥアンケート２０の「質問１」～「質問３０」の各質問に「Ｙｅｓ」と回答した割合として、評価対象の組織の割合である「評価結果」（実線で表示）と、評価対象の組織の全体の割合である「全体結果」（破線で表示）とを示している。
【0058】
図９を用いて、分析結果３１の一例について説明する。図９に示すように、提示部１５ｃは、分析結果３１として、ＰＬＥアンケート結果２１を入力された機械学習モデル１４ｄが出力した分析カテゴリごとの評価値のレーダーチャートを取得する。図９の例では、「カテゴリＡ」～「カテゴリＥ」ごとに、評価対象の組織の評価値である「今回評価値（％）」（実線で表示）と、評価対象の組織の全体の評価値である「全体結果（％）」（破線で表示）とをレーダーチャートを用いて示している。
【0059】
（２－２－２．提案コメント３２）
図１０を用いて、提案コメント３２の一例について説明する。図１０に示すように、提示部１５ｃは、提案コメント３２として、ＰＬＥアンケート結果２１を入力された機械学習モデル１４ｄが出力した組織を成長するためのコメントを取得する。図１０の例では、第１に、「○○領域（カテゴリ）」に課題が存在し、特に「△△」と「□□」に改善の余地があることをコメントしている。また、第２に、「××領域（カテゴリ）」に課題が存在し、特に「※※」に改善の余地があることをコメントしている。
図１０を用いて、提案コメント３２の一例について説明する。図１０に示すように、提示部１５ｃは、提案コメント３２として、ＰＬＥアンケート結果２１を入力された機械学習モデル１４ｄが出力した組織を成長するためのコメントを取得する。図１０の例では、第１に、「○○領域（カテゴリ）」に課題が存在し、特に「△△」と「□□」に改善の余地があることをコメントしている。また、第２に、「××領域（カテゴリ）」に課題が存在し、特に「※※」に改善の余地があることをコメントしている。
【0060】
このとき、機械学習モデル１４ｄは、例えば、上記の分析カテゴリのスコアを示すレーダーチャートの面積を大きくするための対策を提案する提案コメント３２を出力する。また、機械学習モデル１４ｄは、上記の対策として、例えば、ルーブリック開発、人財育成戦略策定、ワークショップ、研修設計、実践サポート、マネージメントへのコーチング等を含むコメントを出力する。
【0061】
［３．各処理の流れ］
図１１を用いて、実施形態１に係る各処理の流れを説明する。図１１は、実施形態１に係る提供処理全体の流れを示すフローチャートである。以下では、実施形態１に係るアンケート結果取得処理、提示情報生成処理、情報提示処理の流れの順に説明する。
図１１を用いて、実施形態１に係る各処理の流れを説明する。図１１は、実施形態１に係る提供処理全体の流れを示すフローチャートである。以下では、実施形態１に係るアンケート結果取得処理、提示情報生成処理、情報提示処理の流れの順に説明する。
【0062】
（３－１．アンケート結果取得処理の流れ）
取得部１５ｂは、ＰＬＥアンケート結果２１を取得し（ステップＳ１０１）、ＰＬＥアンケート結果２１を記憶部１４に格納する（ステップＳ１０２）。
取得部１５ｂは、ＰＬＥアンケート結果２１を取得し（ステップＳ１０１）、ＰＬＥアンケート結果２１を記憶部１４に格納する（ステップＳ１０２）。
【0063】
（３－２．提示情報生成処理の流れ）
提示部１５ｃは、機械学習モデル１４ｄが出力した分析結果３１を取得し（ステップＳ１０３）、機械学習モデル１４ｄが出力した提案コメント３２を取得し（ステップＳ１０４）、取得した分析結果３１、提案コメント３２を記憶部１４に格納する（ステップＳ１０５）。
提示部１５ｃは、機械学習モデル１４ｄが出力した分析結果３１を取得し（ステップＳ１０３）、機械学習モデル１４ｄが出力した提案コメント３２を取得し（ステップＳ１０４）、取得した分析結果３１、提案コメント３２を記憶部１４に格納する（ステップＳ１０５）。
【0064】
（３－３．情報提示処理の流れ）
提示部１５ｃは、取得した分析結果３１、提案コメント３２のうち、提示する情報を選択し（ステップＳ１０６）、選択した情報を提示し（ステップＳ１０７）、処理を終了する。
提示部１５ｃは、取得した分析結果３１、提案コメント３２のうち、提示する情報を選択し（ステップＳ１０６）、選択した情報を提示し（ステップＳ１０７）、処理を終了する。
【0065】
なお、上述したステップＳ１０１～Ｓ１０７の処理の順序や実行のタイミングは、動的に、または静的に変更することができる。また、ステップＳ１０１～Ｓ１０７の処理のうち、省略される処理があってもよい。
【0066】
［４．実施形態の効果］
第１に、上述した実施形態１に係る処理では、組織の学習環境に関するアンケート結果２１を取得し、アンケート結果２１と機械学習モデル１４ｄとを用いて得られた組織の分析結果３１及び組織を成長させるための提案コメント３２の少なくとも一方を提示する。このとき、機械学習モデル１４ｄは、アンケート結果２１に対応するデータが入力されると分析結果３１及び提案コメント３２の少なくとも一方に対応するデータを出力する。このため、本処理では、ＰＬＥアンケートの集計結果をもとに、効果的に組織を改善するための提案をすることができる。
第１に、上述した実施形態１に係る処理では、組織の学習環境に関するアンケート結果２１を取得し、アンケート結果２１と機械学習モデル１４ｄとを用いて得られた組織の分析結果３１及び組織を成長させるための提案コメント３２の少なくとも一方を提示する。このとき、機械学習モデル１４ｄは、アンケート結果２１に対応するデータが入力されると分析結果３１及び提案コメント３２の少なくとも一方に対応するデータを出力する。このため、本処理では、ＰＬＥアンケートの集計結果をもとに、効果的に組織を改善するための提案をすることができる。
【0067】
第２に、上述した実施形態１に係る処理では、分析結果３１は、複数の分析カテゴリそれぞれのスコアを含み、アンケート結果２１は、各々がいずれかの分析カテゴリに属する複数のアンケート項目の回答を含み、機械学習モデル１４ｄは、或る１つの分析カテゴリに属するアンケート項目の回答が、当該１つの分析カテゴリのスコアだけでなく他の分析カテゴリのスコアにも反映されるように、分析結果３１に対応するデータを出力する。このため、本処理では、ＰＬＥアンケートの集計結果をもとに分析カテゴリのスコアを算出し、効果的に組織を改善するための提案をすることができる。
【0068】
第３に、上述した実施形態１に係る処理では、分析結果３１は、複数の分析カテゴリそれぞれのスコアを含み、アンケート結果２１は、各々がいずれかの分析カテゴリに属する複数のアンケート項目の回答を含み、提案コメント３２は、分析カテゴリのスコアを改善するための対策を提案し、機械学習モデル１４ｄは、或る１つの分析カテゴリに属するアンケート項目の回答が、当該１つの分析カテゴリのスコアを改善するための対策の提案だけでなく他の分析カテゴリのスコアを改善するための対策の提案にも反映されるように、提案コメント３２に対応するデータを出力する。このため、本処理では、ＰＬＥアンケートの集計結果をもとに、より効果的に分析カテゴリのスコアを算出し、効果的に組織を改善するための提案をすることができる。
【0069】
第４に、上述した実施形態１に係る処理では、提案コメント３２は、分析結果３１を示すグラフに基づいて、分析カテゴリのスコアを改善するための対策を提案する。このため、本処理では、ＰＬＥアンケートの集計結果をもとに、より定量的に分析カテゴリのスコアを算出し、効果的に組織を改善するための提案をすることができる。
【0070】
第５に、上述した実施形態１に係る処理では、分析カテゴリのスコアを改善するための対策は、ルーブリック開発、人財育成戦略策定、ワークショップ、研修設計、実践サポート及びマネージメントへのコーチングの少なくとも１つを含む。このため、本処理では、ＰＬＥアンケートの集計結果をもとに、より具体的に組織を改善するための提案をすることができる。
【0071】
第６に、上述した実施形態１に係る処理では、複数の分析カテゴリは、革新奨励に関する分析カテゴリ、学習に関する分析カテゴリ、制度に関する分析カテゴリ、場に関する分析カテゴリ及びマネージメント組織風土に関する分析カテゴリを含む。このため、本処理では、ＰＬＥアンケートの集計結果をもとに、より具体的に分析カテゴリのスコアを算出し、効果的に組織を改善するための提案をすることができる。
【0072】
第７に、上述した実施形態１に係る処理では、アンケート結果は、ＰＬＥアンケートに対する回答結果である。このため、本処理では、広く用いられているＰＬＥアンケートの集計結果をもとに、効果的に組織を改善するための提案をすることができる。
【0073】
〔実施形態２〕
ところで、実施形態１で説明した機械学習モデル１４ｄは、強化学習により訓練することで、機械学習モデル１４ｄが出力する提示情報３０の精度を高精度に維持することができる。そこで、実施形態２では、提供装置１０－２が、機械学習モデル１４ｄにより生成された提示情報３０にしたがって教育を行った後のＰＬＥアンケート結果を用いた強化学習により、機械学習モデル１４ｄの精度を維持する例を説明する。
ところで、実施形態１で説明した機械学習モデル１４ｄは、強化学習により訓練することで、機械学習モデル１４ｄが出力する提示情報３０の精度を高精度に維持することができる。そこで、実施形態２では、提供装置１０－２が、機械学習モデル１４ｄにより生成された提示情報３０にしたがって教育を行った後のＰＬＥアンケート結果を用いた強化学習により、機械学習モデル１４ｄの精度を維持する例を説明する。
【0074】
以下に、実施形態２に係る提供システム１００－２の構成、提供装置１０－２の構成、各処理の流れを順に説明し、最後に実施形態２の効果を説明する。なお、上述した実施形態１と同様の構成や処理については、説明を省略する。
【0075】
［１．提供システム１００－２の構成］
図１２を用いて、実施形態２に係る提供システム（以下、適宜、本システムともいう）１００－２の構成を詳細に説明する。図１２は、実施形態２に係る提供システムの構成例を示す図である。以下に、本システム１００－２全体の構成例を示した上で、本システム１００－２の処理について説明する。
図１２を用いて、実施形態２に係る提供システム（以下、適宜、本システムともいう）１００－２の構成を詳細に説明する。図１２は、実施形態２に係る提供システムの構成例を示す図である。以下に、本システム１００－２全体の構成例を示した上で、本システム１００－２の処理について説明する。
【0076】
（１－１．システム全体の構成例）
本システム１００－２は、提供装置１０－２を有する。なお、本システム１００－２には、複数台の提供装置１０－２が含まれてもよい。また、本システム１００－２では、提供装置１０－２に入力するデータとして、教育前ＰＬＥアンケート結果２１－１や教育後ＰＬＥアンケート結果２１－２、また、提供装置１０－２が出力するデータとして、分析結果３１や提案コメント３２を含む提示情報３０が関与する。
本システム１００－２は、提供装置１０－２を有する。なお、本システム１００－２には、複数台の提供装置１０－２が含まれてもよい。また、本システム１００－２では、提供装置１０－２に入力するデータとして、教育前ＰＬＥアンケート結果２１－１や教育後ＰＬＥアンケート結果２１－２、また、提供装置１０－２が出力するデータとして、分析結果３１や提案コメント３２を含む提示情報３０が関与する。
【0077】
（１－２．システム全体の処理）
このようなシステムにおける提供装置１０－２は、学習済みである機械学習モデル１４ｄを有し、機械学習モデル１４ｄを用いて、ＰＬＥアンケート結果２１（２１－１、２１－２）から提示情報３０を生成して、出力するコンピュータ装置の一例である。以下では、提供装置１０－２が実行する教育前入力処理、出力処理、教育後入力処理、学習処理の順に説明する。なお、提供装置１０－２が有する機械学習モデル１４ｄは、実施形態１の提供装置１０－１が有する機械学習モデル１４ｄと共通するため、説明を省略する。
このようなシステムにおける提供装置１０－２は、学習済みである機械学習モデル１４ｄを有し、機械学習モデル１４ｄを用いて、ＰＬＥアンケート結果２１（２１－１、２１－２）から提示情報３０を生成して、出力するコンピュータ装置の一例である。以下では、提供装置１０－２が実行する教育前入力処理、出力処理、教育後入力処理、学習処理の順に説明する。なお、提供装置１０－２が有する機械学習モデル１４ｄは、実施形態１の提供装置１０－１が有する機械学習モデル１４ｄと共通するため、説明を省略する。
【0078】
（１－２－１．教育前入力処理）
第１に、提供装置１０－２は、教育前ＰＬＥアンケート結果２１－１の入力を受け付ける（ステップＳ１１）。このとき、提供装置１０－２が入力を受け付ける教育前ＰＬＥアンケート結果２１－１は、ＰＬＥアンケートの項目ごとに集計されたデータであってもよいし、アンケート回答者の所有する端末装置によって送信された集計前のデータであってもよい。
第１に、提供装置１０－２は、教育前ＰＬＥアンケート結果２１－１の入力を受け付ける（ステップＳ１１）。このとき、提供装置１０－２が入力を受け付ける教育前ＰＬＥアンケート結果２１－１は、ＰＬＥアンケートの項目ごとに集計されたデータであってもよいし、アンケート回答者の所有する端末装置によって送信された集計前のデータであってもよい。
【0079】
（１－２－２．出力処理）
第２に、提供装置１０－２は、機械学習モデル１４ｄから取得した分析結果３１や提案コメント３２を含む提示情報３０を出力する（ステップＳ１２）。このとき、提供装置１０－２は、機械学習モデル１４ｄに教育前ＰＬＥアンケート結果２１－１を入力し、提示情報３０を取得する。例えば、機械学習モデル１４ｄにより、ＰＬＥアンケート結果２１について、アンケート項目ごとの回答の集計、他の部署・部門や他社との結果の比較、分析カテゴリごとの評価、改善が必要な要素についての特定等が実行される。そして、出力された分析結果３１や提案コメント３２を含む提示情報３０は、教育前ＰＬＥアンケート結果２１－１を回答した企業等に提示され、企業育成における組織改善策として活用される。なお、図１２に示す提供装置１０－２が出力する提示情報３０については、図１に示す提供装置１０－１が出力する提示情報３０と共通するため、説明を省略する。
第２に、提供装置１０－２は、機械学習モデル１４ｄから取得した分析結果３１や提案コメント３２を含む提示情報３０を出力する（ステップＳ１２）。このとき、提供装置１０－２は、機械学習モデル１４ｄに教育前ＰＬＥアンケート結果２１－１を入力し、提示情報３０を取得する。例えば、機械学習モデル１４ｄにより、ＰＬＥアンケート結果２１について、アンケート項目ごとの回答の集計、他の部署・部門や他社との結果の比較、分析カテゴリごとの評価、改善が必要な要素についての特定等が実行される。そして、出力された分析結果３１や提案コメント３２を含む提示情報３０は、教育前ＰＬＥアンケート結果２１－１を回答した企業等に提示され、企業育成における組織改善策として活用される。なお、図１２に示す提供装置１０－２が出力する提示情報３０については、図１に示す提供装置１０－１が出力する提示情報３０と共通するため、説明を省略する。
【0080】
（１－２－３．教育後入力処理）
第３に、提供装置１０－２は、教育後ＰＬＥアンケート結果２１－２の入力を受け付ける（ステップＳ１３）。例えば、提供装置１０－２は、教育前ＰＬＥアンケート結果２１－１に対応する提示情報３０をもとに教育を行った後の企業等から、教育後ＰＬＥアンケート結果２１－２の入力を受け付ける。また、このとき、提供装置１０－２は、提示情報３０をもとに教育を行った後の企業等の組織が目標とする分析カテゴリの達成度等の入力を受け付ける。
第３に、提供装置１０－２は、教育後ＰＬＥアンケート結果２１－２の入力を受け付ける（ステップＳ１３）。例えば、提供装置１０－２は、教育前ＰＬＥアンケート結果２１－１に対応する提示情報３０をもとに教育を行った後の企業等から、教育後ＰＬＥアンケート結果２１－２の入力を受け付ける。また、このとき、提供装置１０－２は、提示情報３０をもとに教育を行った後の企業等の組織が目標とする分析カテゴリの達成度等の入力を受け付ける。
【0081】
（１－２－４．学習処理）
第４に、提供装置１０－２は、教育後ＰＬＥアンケート結果２１－２に基づいて機械学習モデル１４ｄの学習を行う（ステップＳ１４）。例えば、提供装置１０－２は、企業等の組織が目標とする分析カテゴリごとの評価値と教育後ＰＬＥアンケート結果２１－２との差分をもとに報酬を設定し、機械学習モデル１４ｄに対する強化学習を行う。
第４に、提供装置１０－２は、教育後ＰＬＥアンケート結果２１－２に基づいて機械学習モデル１４ｄの学習を行う（ステップＳ１４）。例えば、提供装置１０－２は、企業等の組織が目標とする分析カテゴリごとの評価値と教育後ＰＬＥアンケート結果２１－２との差分をもとに報酬を設定し、機械学習モデル１４ｄに対する強化学習を行う。
【0082】
上述のステップＳ１１～Ｓ１４の処理を実行することにより、ＰＬＥアンケート結果を用いて、組織の現状の問題点を適切に把握し、かつ効果的な教育方針や人材育成方略を決定することができる。特に、上述のステップＳ１３～Ｓ１４の処理を実行することにより、ＰＬＥアンケート結果に基づく機械学習モデルが進化することが期待でき、さらに効果的な教育方針や人材育成方略を決定することができる。
【0083】
（１－３．機械学習モデル１４ｄの学習処理の具体例）
図１３～図１６を用いて、上述したステップＳ１４の学習処理の具体例について説明する。図１３～図１６は、実施形態２に係る学習処理の一例を示す図である。以下では、アンケート項目、レーダーチャート、ロジックツリーに関わる学習処理の順に説明する。
図１３～図１６を用いて、上述したステップＳ１４の学習処理の具体例について説明する。図１３～図１６は、実施形態２に係る学習処理の一例を示す図である。以下では、アンケート項目、レーダーチャート、ロジックツリーに関わる学習処理の順に説明する。
【0084】
（１－３－１．アンケート項目に基づく学習処理）
図１３を用いて、上述したステップＳ１４の学習処理の具体例について説明する。図１３に示すように、提供装置１０－２は、教育前ＰＬＥアンケート結果２１－１と教育後ＰＬＥアンケート結果２１－２とを比較し、アンケート項目の回答が改善するように報酬を設定し、強化学習を行う。
図１３を用いて、上述したステップＳ１４の学習処理の具体例について説明する。図１３に示すように、提供装置１０－２は、教育前ＰＬＥアンケート結果２１－１と教育後ＰＬＥアンケート結果２１－２とを比較し、アンケート項目の回答が改善するように報酬を設定し、強化学習を行う。
【0085】
図１３は、同一の回答者（ｎ＝３１）によるＰＬＥアンケート２０の各質問の教育前アンケート結果２１－１（網掛けで表示）と教育後アンケート結果２１－２（斜線で表示）とを示したものである。例えば、「質問１」では、教育前アンケート結果２１－１では３１人中２５人が「Ｙｅｓ」と回答し、教育後アンケート結果２１－２では３１人中３０人が「Ｙｅｓ」と回答し、教育前後で５人が改善していることがわかる。このように、提案コメント３２等の提示情報３０を提示することによって、提案コメント３２に基づく教育が行われることにより組織改善が行われた場合、各アンケート項目で「Ｙｅｓ」の回答数がより多く増加することが好ましい。
【0086】
ここで、提供装置１０－２は、教育前ＰＬＥアンケート結果２１－１と教育後ＰＬＥアンケート結果２１－２とを比較し、企業等が改善を目標とする分析カテゴリに属するアンケート項目の「Ｙｅｓ」を選択した回答者数がより増加するように報酬を設定し、強化学習を行う。すなわち、提供装置１０－２は、回答者数の増加数が大きいほど高い報酬を与え、回答者数の増加数が小さいほど低い報酬を与えて強化学習を行う。また、提供装置１０－２は、回答者数が減少している場合には、マイナスの報酬を与え、強化学習を行うこともできる。すなわち、提供装置１０－２は、各アンケート項目の「Ｙｅｓ」の回答数をより増加するための提案コメント３２等の提示情報３０を出力するように、機械学習モデル１４ｄの学習を行う。
【0087】
（１－３－２．レーダーチャートに基づく学習処理）
図１４を用いて、上述したステップＳ１４の学習処理の具体例について説明する。図１４に示すように、提供装置１０－２は、教育前ＰＬＥアンケート結果２１－１と教育後ＰＬＥアンケート結果２１－２とを比較し、分析カテゴリのスコアを示すレーダーチャートの面積が増加するように報酬を設定し、強化学習を行う。
図１４を用いて、上述したステップＳ１４の学習処理の具体例について説明する。図１４に示すように、提供装置１０－２は、教育前ＰＬＥアンケート結果２１－１と教育後ＰＬＥアンケート結果２１－２とを比較し、分析カテゴリのスコアを示すレーダーチャートの面積が増加するように報酬を設定し、強化学習を行う。
【0088】
図１４は、同一の回答者によるＰＬＥアンケート２０の各分析カテゴリの教育前のスコア（破線で表示）と教育後のスコア（実線で表示）とをレーダーチャートで示したものである。例えば、「カテゴリＡ」では、教育前では６５％程度の評価値であり、教育後では８０％以上の評価値であり、教育前後で１５％程度が改善していることがわかる。また、同様にして、「カテゴリＢ」～「カテゴリＥ」においても評価値が増加しており、分析カテゴリのスコアが改善することによって、レーダーチャートの五角形の面積が増加することがわかる。このように、提案コメント３２等の提示情報３０を提示することによって、分析カテゴリのスコアを示すレーダーチャートの面積がより増加することが好ましい。なお、図１４のレーダーチャートは一例であり、分析カテゴリの数に応じて四角形や六角形でもよく、レーダーチャートの形状は特に限定されない。
【0089】
ここで、提供装置１０－２は、教育前ＰＬＥアンケート結果２１－１と教育後ＰＬＥアンケート結果２１－２とを比較し、企業等が改善を目標とする分析カテゴリのスコアが示すレーダーチャートの面積がより増加するように報酬を設定し、強化学習を行う。すなわち、提供装置１０－２は、レーダーチャートの増加面積が大きいほど高い報酬を与え、レーダーチャートの増加面積が小さいほど低い報酬を与えて強化学習を行う。また、提供装置１０－２は、レーダーチャートの面積が減少している場合には、マイナスの報酬を与え、強化学習を行うこともできる。すなわち、提供装置１０－２は、分析カテゴリのレーダーチャートの面積を増加するための提案コメント３２等の提示情報３０を出力するように、機械学習モデル１４ｄの学習を行う。
【0090】
（１－３－３．ロジックツリーに基づく学習処理）
図１５および図１６を用いて、上述したステップＳ１４の学習処理の具体例について説明する。図１５および図１６に示すように、提供装置１０－２は、分析カテゴリに属するアンケート項目の関係性に基づき、出力される提示情報３０に示される改善策の優先順位を変更するように学習を行う。
図１５および図１６を用いて、上述したステップＳ１４の学習処理の具体例について説明する。図１５および図１６に示すように、提供装置１０－２は、分析カテゴリに属するアンケート項目の関係性に基づき、出力される提示情報３０に示される改善策の優先順位を変更するように学習を行う。
【0091】
図１５および図１６は、分析カテゴリである「カテゴリＡ」～「カテゴリＥ」の関係性を示したものである。図４で説明したように、ロジックツリーは、アンケートの質問または質問群である要素を関連性がある分析カテゴリに分類し、かつ因果関係や優先順位を示したものである。例えば、分析カテゴリは、ＰＬＥアンケート項目を、「革新奨励」、「学習」、「制度」、「場」、「マネージメント組織風土」等に分類したものである。また、図１５および図１６で示す「カテゴリＡ」～「カテゴリＥ」の位置関係は、上の階層に行くほど組織としての達成が困難であることを示す。例えば、図１５において、「カテゴリＤ」は、階層が下である「カテゴリＣ」を達成できなければ達成できないことを示している。また、「カテゴリＣ」を達成するには、「カテゴリＡ」を達成した後、「カテゴリＢ」を達成し、かつ「カテゴリＥ」を達成する必要があることがわかる。このように、上記の分析カテゴリの関係性（因果関係や優先順位）を考慮した提案コメント３２等の提示情報３０を提示することが好ましい。
【0092】
ここで、提供装置１０－２は、教育前ＰＬＥアンケート結果２１－１と教育後ＰＬＥアンケート結果２１－２とを比較し、企業等が改善を求める分析カテゴリのスコアが改善していない場合には、異なる分析カテゴリを改善するための提案を提示するように機械学習を行うこともできる。例えば、図１５の例を用いて説明すると、提供装置１０－２は、企業等が改善を目標とする分析カテゴリが「カテゴリＣ」であり、「カテゴリＣ」の改善策を提示した場合に、教育前ＰＬＥアンケート結果２１－１と教育後ＰＬＥアンケート結果２１－２とを比較し、「カテゴリＣ」の分析カテゴリのスコアが改善していないときには、「カテゴリＣ」と因果関係を有する下位層の「カテゴリＢ」や「カテゴリＥ」の改善策を提示するように機械学習モデル１４ｄの学習を行う。このとき、提供装置１０－２は、図１５に示したロジックツリーの関係性を変更するように機械学習モデル１４ｄの学習を行うこともできる。すなわち、提供装置１０－２は、改善策の優先順位を変更し、より好ましい提案コメント３２等の提示情報３０を出力するように、機械学習モデル１４ｄの学習を行う。
【0093】
また、提供装置１０－２は、図１５の例で示した学習処理を、報酬を用いた強化学習によって行うこともできる。例えば、図１６の例を用いて説明すると、提供装置１０－２は、「カテゴリＣ」の改善するために、「カテゴリＢ」や「カテゴリＥ」の改善策を提示しても改善しなかった場合には、低い報酬を与えて強化学習を行う。一方、提供装置１０－２は、「カテゴリＣ」の改善するために、「カテゴリＡ」の改善策を提示して改善した場合には、高い報酬を与えて強化学習を行う。具体的には、提供装置１０－２は、企業等が改善を求める分析カテゴリのスコアの目標値と、教育後ＰＬＥアンケート結果２１－２に基づく分析カテゴリのスコアの差分が大きいほど低い報酬を設定する。言い換えれば、提供装置１０－２は、より企業等が求める達成度に近い改善策を提示する場合には、より高い報酬を与えて強化学習を行う。このとき、提供装置１０－２は、図１５に示したロジックツリーから、図１６に示したロジックツリーの関係性へと変更するように強化学習を行うこともできる。すなわち、提供装置１０－２は、強化学習によって改善策の優先順位を変更し、より好ましい提案コメント３２等の提示情報３０を出力するように、機械学習モデル１４ｄの学習を行う。
【0094】
［２．提供装置１０－２の構成］
図１７を用いて、図１２に示した提供システム１００－２が有する提供装置１０－２の機能構成について説明する。図１７は、実施形態２に係る提供装置の構成例を示すブロック図である。以下では、実施形態２に係る提供装置１０－２の構成を詳細に説明する。提供装置１０－２は、入力部１１、出力部１２、通信部１３、記憶部１４および制御部１５－２を有する。なお、入力部１１、出力部１２、通信部１３および記憶部１４については、上述した実施形態１と同様の構成および処理であるため、説明を省略する。
図１７を用いて、図１２に示した提供システム１００－２が有する提供装置１０－２の機能構成について説明する。図１７は、実施形態２に係る提供装置の構成例を示すブロック図である。以下では、実施形態２に係る提供装置１０－２の構成を詳細に説明する。提供装置１０－２は、入力部１１、出力部１２、通信部１３、記憶部１４および制御部１５－２を有する。なお、入力部１１、出力部１２、通信部１３および記憶部１４については、上述した実施形態１と同様の構成および処理であるため、説明を省略する。
【0095】
（制御部１５－２）
制御部１５－２は、当該提供装置１０－２全体の制御を司る。制御部１５－２は、生成部１５ａ、取得部１５ｂ、提示部１５ｃおよび学習部１５ｄを有する。ここで、制御部１５－２は、例えば、ＣＰＵやＭＰＵ等の電子回路やＡＳＩＣやＦＰＧＡ等の集積回路により実現され得る。
制御部１５－２は、当該提供装置１０－２全体の制御を司る。制御部１５－２は、生成部１５ａ、取得部１５ｂ、提示部１５ｃおよび学習部１５ｄを有する。ここで、制御部１５－２は、例えば、ＣＰＵやＭＰＵ等の電子回路やＡＳＩＣやＦＰＧＡ等の集積回路により実現され得る。
【0096】
（生成部１５ａ）
生成部１５ａは、機械学習モデル１４ｄに学習データを入力し、学習済みモデルを生成する。例えば、生成部１５ａは、学習データ「入力データ、正解情報」として「ＰＬＥアンケート結果、提示情報」を機械学習モデル１４ｄに入力し、機械学習モデル１４ｄの出力結果と正解情報とが一致するように、機械学習モデル１４ｄの学習を実行する。なお、生成部１５ａは、学習データを学習データ記憶部１４ａから取得する。また、上述したように、正解情報を変更することにより、機械学習モデル１４ｄによる分析内容を変更することができる。
生成部１５ａは、機械学習モデル１４ｄに学習データを入力し、学習済みモデルを生成する。例えば、生成部１５ａは、学習データ「入力データ、正解情報」として「ＰＬＥアンケート結果、提示情報」を機械学習モデル１４ｄに入力し、機械学習モデル１４ｄの出力結果と正解情報とが一致するように、機械学習モデル１４ｄの学習を実行する。なお、生成部１５ａは、学習データを学習データ記憶部１４ａから取得する。また、上述したように、正解情報を変更することにより、機械学習モデル１４ｄによる分析内容を変更することができる。
【0097】
（取得部１５ｂ）
取得部１５ｂは、組織の改善を行う改善策の実行前に実行された学習環境に関するアンケート結果である第１のアンケート結果（教育前ＰＬＥアンケート結果）２１－１を取得する。例えば、取得部１５ｂは、企業、部署、部門等の所定の組織ごとの構成員が回答した教育前ＰＬＥアンケート結果２１－１を取得する。また、第１のアンケート結果の入力に応じた機械学習モデル１４ｄの出力結果に基づく改善策の実行後に実行されたアンケート結果である第２のアンケート結果（教育後ＰＬＥアンケート結果）２１－２を取得する。例えば、取得部１５ｂは、企業、部署、部門等の所定の組織ごとの構成員が回答した教育後ＰＬＥアンケート結果２１－２を取得する。
取得部１５ｂは、組織の改善を行う改善策の実行前に実行された学習環境に関するアンケート結果である第１のアンケート結果（教育前ＰＬＥアンケート結果）２１－１を取得する。例えば、取得部１５ｂは、企業、部署、部門等の所定の組織ごとの構成員が回答した教育前ＰＬＥアンケート結果２１－１を取得する。また、第１のアンケート結果の入力に応じた機械学習モデル１４ｄの出力結果に基づく改善策の実行後に実行されたアンケート結果である第２のアンケート結果（教育後ＰＬＥアンケート結果）２１－２を取得する。例えば、取得部１５ｂは、企業、部署、部門等の所定の組織ごとの構成員が回答した教育後ＰＬＥアンケート結果２１－２を取得する。
【0098】
このとき、取得部１５ｂは、構成員が匿名で回答したＰＬＥアンケート結果２１（２１－１、２１－２）のデータを通信部１３を介して取得してもよい。また、取得部１５ｂは、組織ごとの構成員が回答したＰＬＥアンケート結果２１（２１－１、２１－２）を集計したデータを取得してもよい。
【0099】
（提示部１５ｃ）
提示部１５ｃは、ＰＬＥアンケート結果２１（２１－１、２１－２）と機械学習モデル１４ｄとを用いて得られた組織の分析結果３１及び組織を成長させるための提案コメント３２の少なくとも一方を提示する。例えば、提示部１５ｃは、分析結果３１として、複数の分析カテゴリそれぞれのスコアを含む結果を提示する。ここで、アンケート結果２１は、各々がいずれかの分析カテゴリに属する複数のアンケート項目の回答を含む。また、機械学習モデル１４ｄは、或る１つの分析カテゴリに属するアンケート項目の回答が、当該１つの分析カテゴリのスコアだけでなく他の分析カテゴリのスコアにも反映されるように、分析結果３１に対応するデータを出力する。なお、提示部１５ｃの処理や提示部１５ｃが提示する提示情報３０は、上述した実施形態１と同様であるため、説明を省略する。
提示部１５ｃは、ＰＬＥアンケート結果２１（２１－１、２１－２）と機械学習モデル１４ｄとを用いて得られた組織の分析結果３１及び組織を成長させるための提案コメント３２の少なくとも一方を提示する。例えば、提示部１５ｃは、分析結果３１として、複数の分析カテゴリそれぞれのスコアを含む結果を提示する。ここで、アンケート結果２１は、各々がいずれかの分析カテゴリに属する複数のアンケート項目の回答を含む。また、機械学習モデル１４ｄは、或る１つの分析カテゴリに属するアンケート項目の回答が、当該１つの分析カテゴリのスコアだけでなく他の分析カテゴリのスコアにも反映されるように、分析結果３１に対応するデータを出力する。なお、提示部１５ｃの処理や提示部１５ｃが提示する提示情報３０は、上述した実施形態１と同様であるため、説明を省略する。
【0100】
（学習部１５ｄ）
学習部１５ｄは、教育後ＰＬＥアンケート結果２１－２と目標とする状態とに基づく報酬を用いた強化学習により、機械学習モデル１４ｄの機械学習を実行する。例えば、学習部１５ｄは、企業等の組織が目標とする分析カテゴリのスコア（評価値）と、教育後ＰＬＥアンケート結果２１－２が示す分析カテゴリのスコアの差分をもとに報酬を設定し、強化学習を行う。具体的な例を用いて説明すると、学習部１５ｄは、目標とする「カテゴリＡ」のスコアが９０％であり、教育後ＰＬＥアンケート結果２１－２が示す「カテゴリＡ」のスコアが８５％と８０％とである場合には、より９０％との差分が小さい８５％の方が目標とするスコアを達成したとして、より高い報酬を与えられるように強化学習を行う。
学習部１５ｄは、教育後ＰＬＥアンケート結果２１－２と目標とする状態とに基づく報酬を用いた強化学習により、機械学習モデル１４ｄの機械学習を実行する。例えば、学習部１５ｄは、企業等の組織が目標とする分析カテゴリのスコア（評価値）と、教育後ＰＬＥアンケート結果２１－２が示す分析カテゴリのスコアの差分をもとに報酬を設定し、強化学習を行う。具体的な例を用いて説明すると、学習部１５ｄは、目標とする「カテゴリＡ」のスコアが９０％であり、教育後ＰＬＥアンケート結果２１－２が示す「カテゴリＡ」のスコアが８５％と８０％とである場合には、より９０％との差分が小さい８５％の方が目標とするスコアを達成したとして、より高い報酬を与えられるように強化学習を行う。
【0101】
ここで、ＰＬＥアンケート２０は、図４のロジックツリーで示すように各々が複数の分析カテゴリのいずれかに属する複数のアンケート項目を含む。また、同様に、複数の分析カテゴリは、互いに影響を与えるアンケート項目間の関係性に基づき、因果関係（原因とそれによって生じる結果との関係）が設定されている。
【0102】
また、学習部１５ｄは、教育前ＰＬＥアンケート結果２１－１と教育後ＰＬＥアンケート結果２１－２とを比較し、改善目標とする分析カテゴリに属する複数のアンケート項目の変化を特定し、変化に基づく報酬を用いた強化学習により、機械学習モデル１４ｄの機械学習を実行する。例えば、学習部１５ｄは、教育前ＰＬＥアンケート結果２１－１のアンケート項目のスコア（「Ｙｅｓ」の回答者数）と教育後ＰＬＥアンケート結果２１－２のアンケート項目のスコアとの差分をもとに報酬を設定し、強化学習を行う。具体的な例を用いて説明すると、教育前ＰＬＥアンケート結果２１－１と教育後ＰＬＥアンケート結果２１－２とのスコアの差分を比較した場合、差分が「４」であるアンケート項目と差分が「１０」であるアンケート項目とでは、差分が「１０」であるアンケート項目の方が、より高い報酬を与えられるように強化学習を行う。
【0103】
学習部１５ｄは、教育前ＰＬＥアンケート結果２１－１に含まれる複数のアンケート項目を用いた、複数の分析カテゴリのスコアを示すグラフと、教育後ＰＬＥアンケート結果２１－２における当該グラフとの差分を特定し、当該差分に基づく報酬を用いた強化学習により、機械学習モデル１４ｄの機械学習を実行する。例えば、学習部１５ｄは、教育前ＰＬＥアンケート結果２１－１に含まれる複数のアンケート項目を用いた、複数の分析カテゴリのスコアを示すレーダーチャートの面積より教育後ＰＬＥアンケート結果２１－２におけるレーダーチャートの面積の方が大きいほど、高い報酬を与える強化学習により、機械学習モデル１４ｄの機械学習を実行する。具体的な例を用いて説明すると、教育前ＰＬＥアンケート結果２１－１と教育後ＰＬＥアンケート結果２１－２とのスコアの差分を比較した場合、一定のサイズで比較した場合の面積の差分が「２」であるレーダーチャートと差分が「９」であるレーダーチャートとでは、差分が「９」であるレーダーチャートの方が、より高い報酬を与えられるように強化学習を行う。
【0104】
また、学習部１５ｄは、複数の分析カテゴリのスコアを示すグラフとして、教育前後の折れ線グラフ、棒グラフ、円グラフ、帯グラフ等のグラフの差分を特定し、当該差分に基づく報酬を用いた強化学習により、機械学習モデル１４ｄの機械学習を実行することもできる。例えば、学習部１５ｄは、分析カテゴリ別の達成度を示した折れ線グラフ、棒グラフ、円グラフ、帯グラフ等において、特定のカテゴリの高さや面積を大きくするほど高い報酬を与えるように強化学習を実行することもできる。
【0105】
学習部１５ｄは、複数の分析カテゴリのうちの第１の分析カテゴリを改善する改善策の実行後に得られた教育後ＰＬＥアンケート結果２１－２が教育前ＰＬＥアンケート結果２１－１から改善されていない場合に、第１の分析カテゴリと因果関係を有する第２の分析カテゴリの改善策を提示するように、機械学習モデル１４ｄの機械学習を実行する。例えば、学習部１５ｄは、教育後ＰＬＥアンケート結果２１－２の分析カテゴリのスコアが教育前ＰＬＥアンケート結果２１－１と比較して改善されていない場合には、異なる分析カテゴリであって、かつ因果関係を有する分析カテゴリの改善策を提示するように機械学習を行う。具体的な例を用いて説明すると、分析カテゴリとして「カテゴリＣ」を改善したい場合であって、「カテゴリＣ」の改善策を提示しても改善しなかった場合には、「カテゴリＣ」と因果関係を有する「カテゴリＢ」や「カテゴリＥ」の改善策を提示するように機械学習を行う。
【0106】
学習部１５ｄは、第１の分析カテゴリについて目標とする状態と教育後ＰＬＥアンケート結果２１－２との差分が、目標とする状態と教育前ＰＬＥアンケート結果２１－１との差分より大きいほど、少ない報酬を用いた強化学習により、因果関係に基づく改善対象の分析カテゴリの優先順位が変わるように、機械学習モデル１４ｄの機械学習を実行する。例えば、学習部１５ｄは、企業等の組織が目標とする分析カテゴリのスコア（評価値）と、教育前ＰＬＥアンケート結果２１－１が示す分析カテゴリのスコアとの差分を算出し、同様に、目標とする分析カテゴリのスコア（評価値）と、教育後ＰＬＥアンケート結果２１－２が示す分析カテゴリのスコアとの差分を算出し、その２つの差分の大小から報酬を設定し、強化学習を行う。具体的な例を用いて説明すると、目標とする「カテゴリＡ」のスコアが９０％であり、教育前ＰＬＥアンケート結果２１－１が示す「カテゴリＡ」のスコアが６０％であって、教育後ＰＬＥアンケート結果２１－２が示す「カテゴリＡ」のスコアが５０％であった場合、後者の方が評価値が下がり差分が大きいため適切ではないと判断できる。すなわち、ロジックツリー等の優先順位が適切ではないため、学習部１５ｄは、より低い報酬を与えられるように強化学習を行い、適切なロジックツリーとなるように優先順位を変更する。
【0107】
［３．各処理の流れ］
図１８を用いて、実施形態２に係る各処理の流れを説明する。図１８は、実施形態２に係る提供処理全体の流れを示すフローチャートである。以下では、実施形態２に係るアンケート結果取得処理、提示情報生成処理、情報提示処理、アンケート結果学習処理の流れの順に説明する。
図１８を用いて、実施形態２に係る各処理の流れを説明する。図１８は、実施形態２に係る提供処理全体の流れを示すフローチャートである。以下では、実施形態２に係るアンケート結果取得処理、提示情報生成処理、情報提示処理、アンケート結果学習処理の流れの順に説明する。
【0108】
（３－１．アンケート結果取得処理の流れ）
取得部１５ｂは、教育前ＰＬＥアンケート結果２１－１を取得し（ステップＳ２０１）、教育前ＰＬＥアンケート結果２１－１を記憶部１４に格納する（ステップＳ２０２）。
取得部１５ｂは、教育前ＰＬＥアンケート結果２１－１を取得し（ステップＳ２０１）、教育前ＰＬＥアンケート結果２１－１を記憶部１４に格納する（ステップＳ２０２）。
【0109】
（３－２．提示情報生成処理の流れ）
提示部１５ｃは、機械学習モデル１４ｄが出力した分析結果３１を取得し（ステップＳ２０３）、機械学習モデル１４ｄが出力した提案コメント３２を取得し（ステップＳ２０４）、取得した分析結果３１、提案コメント３２を記憶部１４に格納する（ステップＳ２０５）。
提示部１５ｃは、機械学習モデル１４ｄが出力した分析結果３１を取得し（ステップＳ２０３）、機械学習モデル１４ｄが出力した提案コメント３２を取得し（ステップＳ２０４）、取得した分析結果３１、提案コメント３２を記憶部１４に格納する（ステップＳ２０５）。
【0110】
（３－３．情報提示処理の流れ）
提示部１５ｃは、取得した分析結果３１、提案コメント３２のうち、提示する情報を選択し（ステップＳ２０６）、選択した情報を提示する（ステップＳ２０７）。
提示部１５ｃは、取得した分析結果３１、提案コメント３２のうち、提示する情報を選択し（ステップＳ２０６）、選択した情報を提示する（ステップＳ２０７）。
【0111】
（３－４．アンケート結果学習処理の流れ）
取得部１５ｂは、教育後ＰＬＥアンケート結果２１－２を取得する（ステップＳ２０８）。次に、学習部１５ｄは、教育前ＰＬＥアンケート結果２１－１と教育後ＰＬＥアンケート結果２１－２とを比較し（ステップＳ２０９）、報酬を付与して強化学習を行う（ステップＳ２１０）。その後、学習部１５ｄは、強化学習を終了する場合（ステップＳ２１１：Ｙｅｓ）、処理を終了する。一方、学習部１５ｄは、強化学習を終了しない場合（ステップＳ２１１：Ｎｏ）、ステップＳ２０１の処理に移行する。
取得部１５ｂは、教育後ＰＬＥアンケート結果２１－２を取得する（ステップＳ２０８）。次に、学習部１５ｄは、教育前ＰＬＥアンケート結果２１－１と教育後ＰＬＥアンケート結果２１－２とを比較し（ステップＳ２０９）、報酬を付与して強化学習を行う（ステップＳ２１０）。その後、学習部１５ｄは、強化学習を終了する場合（ステップＳ２１１：Ｙｅｓ）、処理を終了する。一方、学習部１５ｄは、強化学習を終了しない場合（ステップＳ２１１：Ｎｏ）、ステップＳ２０１の処理に移行する。
【0112】
なお、上述したステップＳ２０１～Ｓ２１１の処理の順序や実行のタイミングは、動的に、または静的に変更することができる。また、Ｓ２０１～Ｓ２１１の処理のうち、省略される処理があってもよい。
【0113】
［４．実施形態の効果］
第１に、上述した実施形態２に係る処理では、組織の改善を行う改善策の実行前に実行された学習環境に関するアンケート結果である教育前ＰＬＥアンケート結果２１－１を取得し、教育前ＰＬＥアンケート結果２１－１の入力に応じた機械学習モデル１４ｄの出力結果に基づく改善策の実行後に実行されたアンケート結果である教育後ＰＬＥアンケート結果２１－２を取得し、教育後ＰＬＥアンケート結果２１－２に基づき、機械学習モデル１４ｄの機械学習を実行する。このため、本処理では、ＰＬＥアンケートの集計結果をもとに、さらに効果的に組織を改善するための提案をすることができる。
第１に、上述した実施形態２に係る処理では、組織の改善を行う改善策の実行前に実行された学習環境に関するアンケート結果である教育前ＰＬＥアンケート結果２１－１を取得し、教育前ＰＬＥアンケート結果２１－１の入力に応じた機械学習モデル１４ｄの出力結果に基づく改善策の実行後に実行されたアンケート結果である教育後ＰＬＥアンケート結果２１－２を取得し、教育後ＰＬＥアンケート結果２１－２に基づき、機械学習モデル１４ｄの機械学習を実行する。このため、本処理では、ＰＬＥアンケートの集計結果をもとに、さらに効果的に組織を改善するための提案をすることができる。
【0114】
第２に、上述した実施形態２に係る処理では、教育後ＰＬＥアンケート結果２１－２と目標とする状態とに基づく報酬を用いた強化学習により、機械学習モデル１４ｄの機械学習を実行する。このため、本処理では、ＰＬＥアンケートの集計結果をもとに、報酬を用いた強化学習により、さらに効果的に組織を改善するための提案をすることができる。
【0115】
第３に、上述した実施形態２に係る処理では、教育前ＰＬＥアンケート結果２１－１と教育後ＰＬＥアンケート結果２１－２とを比較し、改善目標とする分析カテゴリに属する複数のアンケート項目の変化を特定し、当該変化に基づく報酬を用いた強化学習により、機械学習モデル１４ｄの機械学習を実行する。このため、本処理では、ＰＬＥアンケートの集計結果をもとに、アンケート項目の変化を考慮した報酬を用いた強化学習により、さらに効果的に組織を改善するための提案をすることができる。
【0116】
第４に、上述した実施形態２に係る処理では、教育前ＰＬＥアンケート結果２１－１に含まれる複数のアンケート項目を用いた、複数の分析カテゴリのスコアを示すレーダーチャートの面積より教育後ＰＬＥアンケート結果２１－２における前記レーダーチャートの面積の方が大きいほど、高い報酬を与える強化学習により、機械学習モデル１４ｄの機械学習を実行する。このため、本処理では、ＰＬＥアンケートの集計結果をもとに、レーダーチャートの変化を考慮した報酬を用いた強化学習により、さらに効果的に組織を改善するための提案をすることができる。
【0117】
第５に、上述した実施形態２に係る処理では、複数の分析カテゴリのうちの第１の分析カテゴリを改善する改善策の実行後に得られた教育後ＰＬＥアンケート結果２１－２が教育前ＰＬＥアンケート結果２１－１から改善されていない場合に、第１の分析カテゴリと因果関係を有する第２の分析カテゴリの改善策を提示するように、機械学習モデル１４ｄの機械学習を実行する。このため、本処理では、ＰＬＥアンケートの集計結果をもとに、ロジックツリーを考慮した機械学習により、さらに効果的に組織を改善するための提案をすることができる。
【0118】
第６に、上述した実施形態２に係る処理では、第１の分析カテゴリについて目標とする状態のアンケート結果と教育後ＰＬＥアンケート結果２１－２が、当該目標とする状態のアンケート結果と教育前ＰＬＥアンケート結果２１－１との差分より大きいほど、少ない報酬を用いた強化学習により、因果関係に基づく改善対象の分析カテゴリの優先順位が変わるように、機械学習モデル１４ｄの機械学習を実行する。このため、本処理では、ＰＬＥアンケートの集計結果をもとに、ロジックツリーを考慮した報酬を用いた強化学習により、さらに効果的に組織を改善するための提案をすることができる。
【0119】
第７に、上述した実施形態２に係る処理では、アンケート結果は、ＰＬＥアンケートに対する回答結果である。このため、本処理では、広く用いられているＰＬＥアンケートの集計結果をもとに、さらに効果的に組織を改善するための提案をすることができる。
【0120】
〔システム〕
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。
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。
【0121】
また、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如く構成されていることを要しない。すなわち、各装置の分散や統合の具体的形態は図示のものに限られない。つまり、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。
【0122】
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。
【0123】
〔ハードウェア〕
次に、提供装置１０（１０－１、１０－２）のハードウェア構成例を説明する。なお、他の装置も同様のハードウェア構成とすることができる。図１９は、ハードウェア構成例を説明する図である。図１９に示すように、提供装置１０（１０－１、１０－２）は、通信装置１０ａ、ＨＤＤ（Hard Disk Drive）１０ｂ、メモリ１０ｃ、プロセッサ１０ｄを有する。また、図１９に示した各部は、バス等で相互に接続される。
次に、提供装置１０（１０－１、１０－２）のハードウェア構成例を説明する。なお、他の装置も同様のハードウェア構成とすることができる。図１９は、ハードウェア構成例を説明する図である。図１９に示すように、提供装置１０（１０－１、１０－２）は、通信装置１０ａ、ＨＤＤ（Hard Disk Drive）１０ｂ、メモリ１０ｃ、プロセッサ１０ｄを有する。また、図１９に示した各部は、バス等で相互に接続される。
【0124】
【0125】
プロセッサ１０ｄは、図５および図１７に示した各処理部と同様の処理を実行するプログラムをＨＤＤ１０ｂ等から読み出してメモリ１０ｃに展開することで、図５や図１７等で説明した各機能を実行するプロセスを動作させる。例えば、このプロセスは、提供装置１０－１および提供装置１０－２が有する各処理部と同様の機能を実行する。具体的には、プロセッサ１０ｄは、生成部１５ａ、取得部１５ｂ、提示部１５ｃ、学習部１５ｄ等と同様の機能を有するプログラムをＨＤＤ１０ｂ等から読み出す。そして、プロセッサ１０ｄは、生成部１５ａ、取得部１５ｂ、提示部１５ｃ、学習部１５ｄ等と同様の処理を実行するプロセスを実行する。
【0126】
このように、提供装置１０－１および提供装置１０－２は、プログラムを読み出して実行することで各種処理方法を実行する装置として動作する。また、提供装置１０－１および提供装置１０－２は、媒体読取装置によって記録媒体から上記プログラムを読み出し、読み出された上記プログラムを実行することで上記した実施形態と同様の機能を実現することもできる。なお、この他の実施形態でいうプログラムは、提供装置１０－１および提供装置１０－２によって実行されることに限定されるものではない。例えば、他のコンピュータまたはサーバがプログラムを実行する場合や、これらが協働してプログラムを実行するような場合にも、本発明を同様に適用することができる。
【0127】
このプログラムは、インターネットなどのネットワークを介して配布することができる。また、このプログラムは、ハードディスク、フレキシブルディスク（ＦＤ）、ＣＤ－ＲＯＭ、ＭＯ（Magneto－Optical disk）、ＤＶＤ（Digital Versatile Disc）などのコンピュータで読み取り可能な記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行することができる。
【符号の説明】
【0128】
１０、１０－１、１０－２ 提供装置
１１ 入力部
１２ 出力部
１３ 通信部
１４ 記憶部
１５－１、１５－２ 制御部
１５ａ 生成部
１５ｂ 取得部
１５ｃ 提示部
１５ｄ 学習部
２０ ＰＬＥアンケート
２１、２１－１、２１－２ ＰＬＥアンケート結果
３０ 提示情報
３１、３１－１、３１－２ 分析結果
３２、３２－１、３２－２ 提案コメント
１００－１、１００－２ 提供システム
１１ 入力部
１２ 出力部
１３ 通信部
１４ 記憶部
１５－１、１５－２ 制御部
１５ａ 生成部
１５ｂ 取得部
１５ｃ 提示部
１５ｄ 学習部
２０ ＰＬＥアンケート
２１、２１－１、２１－２ ＰＬＥアンケート結果
３０ 提示情報
３１、３１－１、３１－２ 分析結果
３２、３２－１、３２－２ 提案コメント
１００－１、１００－２ 提供システム
【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】
【図18】
【図19】