知財求人 - 知財ポータルサイト「IP Force」
(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】P2024106283
(43)【公開日】2024-08-07
(54)【発明の名称】習熟度推定方法および習熟度推定プログラム
(51)【国際特許分類】
G06Q 10/0639 20230101AFI20240731BHJP
【ＦＩ】
G06Q10/0639
【審査請求】未請求
【請求項の数】5
【出願形態】ＯＬ
(21)【出願番号】P 2023010549
(22)【出願日】2023-01-26
(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】100104190
【弁理士】
【氏名又は名称】酒井 昭徳
(72)【発明者】
【氏名】宮本 晶規
【テーマコード（参考）】
5L010
5L049
【Ｆターム（参考）】
5L010AA06
5L049AA06
(57)【要約】
【課題】作業者の習熟度の推定精度を向上させること。
【解決手段】習熟度推定装置は、候補グループ数（２，３，…，１０）の各候補グループ数について、複数の案件データ７１０を特徴量に基づき候補グループ数のグループに分類する。習熟度推定装置は、各候補グループ数について、分類した各候補グループ数のグループに含まれるグループごとの特性曲線モデルＣｖと、各職員Ａ，Ｂ，Ｃの習熟度θとを算出する。習熟度推定装置は、各候補グループ数について、グループごとの特性曲線モデルＣｖから特定されるトライ数の推定値と、当該グループ内の案件データ７１０が表すトライ数の実測値との誤差を評価することにより、誤差評価値Ｖ［２］～Ｖ［１０］を算出する。習熟度推定装置は、候補グループ数（２，３，…，１０）のうち、誤差評価値が最小となる候補グループ数のグループについて算出した各職員Ａ，Ｂ，Ｃの習熟度θを出力する。
【選択図】図７
【解決手段】習熟度推定装置は、候補グループ数（２，３，…，１０）の各候補グループ数について、複数の案件データ７１０を特徴量に基づき候補グループ数のグループに分類する。習熟度推定装置は、各候補グループ数について、分類した各候補グループ数のグループに含まれるグループごとの特性曲線モデルＣｖと、各職員Ａ，Ｂ，Ｃの習熟度θとを算出する。習熟度推定装置は、各候補グループ数について、グループごとの特性曲線モデルＣｖから特定されるトライ数の推定値と、当該グループ内の案件データ７１０が表すトライ数の実測値との誤差を評価することにより、誤差評価値Ｖ［２］～Ｖ［１０］を算出する。習熟度推定装置は、候補グループ数（２，３，…，１０）のうち、誤差評価値が最小となる候補グループ数のグループについて算出した各職員Ａ，Ｂ，Ｃの習熟度θを出力する。
【選択図】図７
【特許請求の範囲】
【請求項1】
各作業者が処理した案件の特徴量と前記案件の処理にかかる作業量の実測値とをそれぞれ表す複数の案件データを取得し、
複数の異なる候補グループ数それぞれについて、取得した前記複数の案件データを前記特徴量に基づき前記候補グループ数のグループに分類し、
分類した前記候補グループ数のグループに含まれるグループ内の案件データが表す前記作業量の実測値に基づいて、作業者の習熟度と案件の処理にかかる作業量との関係を表す特性曲線モデルに対するフィッティングを行うことにより、当該グループごとの特性曲線モデルと、前記各作業者の習熟度とを算出し、
算出した前記グループごとの特性曲線モデルから特定される前記作業量の推定値と、当該グループ内の案件データが表す前記作業量の実測値との誤差を評価し、
前記複数の異なる候補グループ数のうち、評価した前記誤差が最小となる候補グループ数のグループについて算出した前記各作業者の習熟度を出力する、
処理をコンピュータが実行することを特徴とする習熟度推定方法。
複数の異なる候補グループ数それぞれについて、取得した前記複数の案件データを前記特徴量に基づき前記候補グループ数のグループに分類し、
分類した前記候補グループ数のグループに含まれるグループ内の案件データが表す前記作業量の実測値に基づいて、作業者の習熟度と案件の処理にかかる作業量との関係を表す特性曲線モデルに対するフィッティングを行うことにより、当該グループごとの特性曲線モデルと、前記各作業者の習熟度とを算出し、
算出した前記グループごとの特性曲線モデルから特定される前記作業量の推定値と、当該グループ内の案件データが表す前記作業量の実測値との誤差を評価し、
前記複数の異なる候補グループ数のうち、評価した前記誤差が最小となる候補グループ数のグループについて算出した前記各作業者の習熟度を出力する、
処理をコンピュータが実行することを特徴とする習熟度推定方法。
【請求項2】
取得した前記複数の案件データを、訓練データとテストデータとに分割する、処理を前記コンピュータが実行し、
前記分類する処理は、
前記複数の異なる候補グループ数それぞれについて、分割した前記訓練データを前記特徴量に基づき前記候補グループ数のグループに分類し、
前記算出する処理は、
分類した前記候補グループ数のグループに含まれるグループ内の訓練データが表す前記作業量の実測値に基づいて、前記フィッティングを行うことにより、当該グループごとの特性曲線モデルと、前記各作業者の習熟度とを算出し、
前記評価する処理は、
算出した前記グループごとの特性曲線モデルから特定される前記作業量の推定値と、分割したテストデータのうち、当該グループに分類されるテストデータが表す前記作業量の実測値との誤差を評価する、
ことを特徴とする請求項１に記載の習熟度推定方法。
前記分類する処理は、
前記複数の異なる候補グループ数それぞれについて、分割した前記訓練データを前記特徴量に基づき前記候補グループ数のグループに分類し、
前記算出する処理は、
分類した前記候補グループ数のグループに含まれるグループ内の訓練データが表す前記作業量の実測値に基づいて、前記フィッティングを行うことにより、当該グループごとの特性曲線モデルと、前記各作業者の習熟度とを算出し、
前記評価する処理は、
算出した前記グループごとの特性曲線モデルから特定される前記作業量の推定値と、分割したテストデータのうち、当該グループに分類されるテストデータが表す前記作業量の実測値との誤差を評価する、
ことを特徴とする請求項１に記載の習熟度推定方法。
【請求項3】
分類した前記候補グループ数のグループに含まれるグループ内の案件データを、訓練データとテストデータとに分割する、処理を前記コンピュータが実行し、
前記算出する処理は、
分類した前記候補グループ数のグループに含まれるグループ内の案件データのうち、分割した前記訓練データが表す前記作業量の実測値に基づいて、前記フィッティングを行うことにより、当該グループごとの特性曲線モデルと、前記各作業者の習熟度とを算出し、
前記評価する処理は、
算出した前記グループごとの特性曲線モデルから特定される前記作業量の推定値と、当該グループ内の案件データのうち、分割した前記テストデータが表す前記作業量の実測値との誤差を評価する、
ことを特徴とする請求項１に記載の習熟度推定方法。
前記算出する処理は、
分類した前記候補グループ数のグループに含まれるグループ内の案件データのうち、分割した前記訓練データが表す前記作業量の実測値に基づいて、前記フィッティングを行うことにより、当該グループごとの特性曲線モデルと、前記各作業者の習熟度とを算出し、
前記評価する処理は、
算出した前記グループごとの特性曲線モデルから特定される前記作業量の推定値と、当該グループ内の案件データのうち、分割した前記テストデータが表す前記作業量の実測値との誤差を評価する、
ことを特徴とする請求項１に記載の習熟度推定方法。
【請求項4】
前記分類する処理は、
前記作業量を目的変数とし、前記特徴量を説明変数として、取得した前記複数の案件データを回帰木により複数のリーフに分類し、
前記複数のリーフそれぞれについて、前記リーフに属する案件データが表す前記特徴量と前記作業量の実測値とに基づいて、前記リーフの座標を算出し、
前記複数の異なる候補グループ数それぞれについて、算出した前記リーフの座標に基づいて、前記複数のリーフを前記候補グループ数のグループに分類し、
前記算出する処理は、
分類した前記候補グループ数のグループに含まれるグループ内のリーフが表す前記作業量の実測値に基づいて、前記フィッティングを行うことにより、当該グループごとの前記特性曲線モデルと、前記各作業者の習熟度とを算出し、
前記評価する処理は、
算出した前記グループごとの前記特性曲線モデルから特定される前記作業量の推定値と、当該グループ内のリーフが表す前記作業量の実測値との誤差を評価する、
ことを特徴とする請求項１に記載の習熟度推定方法。
前記作業量を目的変数とし、前記特徴量を説明変数として、取得した前記複数の案件データを回帰木により複数のリーフに分類し、
前記複数のリーフそれぞれについて、前記リーフに属する案件データが表す前記特徴量と前記作業量の実測値とに基づいて、前記リーフの座標を算出し、
前記複数の異なる候補グループ数それぞれについて、算出した前記リーフの座標に基づいて、前記複数のリーフを前記候補グループ数のグループに分類し、
前記算出する処理は、
分類した前記候補グループ数のグループに含まれるグループ内のリーフが表す前記作業量の実測値に基づいて、前記フィッティングを行うことにより、当該グループごとの前記特性曲線モデルと、前記各作業者の習熟度とを算出し、
前記評価する処理は、
算出した前記グループごとの前記特性曲線モデルから特定される前記作業量の推定値と、当該グループ内のリーフが表す前記作業量の実測値との誤差を評価する、
ことを特徴とする請求項１に記載の習熟度推定方法。
【請求項5】
各作業者が処理した案件の特徴量と前記案件の処理にかかる作業量の実測値とをそれぞれ表す複数の案件データを取得し、
複数の異なる候補グループ数それぞれについて、取得した前記複数の案件データを前記特徴量に基づき前記候補グループ数のグループに分類し、
分類した前記候補グループ数のグループに含まれるグループ内の案件データが表す前記作業量の実測値に基づいて、作業者の習熟度と案件の処理にかかる作業量との関係を表す特性曲線モデルに対するフィッティングを行うことにより、当該グループごとの特性曲線モデルと、前記各作業者の習熟度とを算出し、
算出した前記グループごとの特性曲線モデルから特定される前記作業量の推定値と、当該グループ内の案件データが表す前記作業量の実測値との誤差を評価し、
前記複数の異なる候補グループ数のうち、評価した前記誤差が最小となる候補グループ数のグループについて算出した前記各作業者の習熟度を出力する、
処理をコンピュータに実行させることを特徴とする習熟度推定プログラム。
複数の異なる候補グループ数それぞれについて、取得した前記複数の案件データを前記特徴量に基づき前記候補グループ数のグループに分類し、
分類した前記候補グループ数のグループに含まれるグループ内の案件データが表す前記作業量の実測値に基づいて、作業者の習熟度と案件の処理にかかる作業量との関係を表す特性曲線モデルに対するフィッティングを行うことにより、当該グループごとの特性曲線モデルと、前記各作業者の習熟度とを算出し、
算出した前記グループごとの特性曲線モデルから特定される前記作業量の推定値と、当該グループ内の案件データが表す前記作業量の実測値との誤差を評価し、
前記複数の異なる候補グループ数のうち、評価した前記誤差が最小となる候補グループ数のグループについて算出した前記各作業者の習熟度を出力する、
処理をコンピュータに実行させることを特徴とする習熟度推定プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、習熟度推定方法および習熟度推定プログラムに関する。
【背景技術】
【0002】
近年、ＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）による業務支援や教育支援により、人手不足を補ったり、成長促進したりすることが求められている。例えば、職員の業務支援や教育支援のために、業務中の処理データから職員の習熟度を推定したい場合がある。
【0003】
先行技術としては、スポーツをプレーするユーザのモーションに基づいて定義されたプレーイベントを示すデータを取得し、プレーイベントの中から同じ種類に分類される複数のプレーイベントを抽出し、抽出された複数のプレーイベントを示すデータを解析するものがある。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】国際公開第２０１５／０９８３０４号
【発明の概要】
【発明が解決しようとする課題】
【0005】
しかしながら、従来技術では、業務中に職員が処理した業務案件などのデータから、職員の習熟度を精度よく推定することが難しい。
【0006】
一つの側面では、本発明は、作業者の習熟度の推定精度を向上させることを目的とする。
【課題を解決するための手段】
【0007】
１つの実施態様では、各作業者が処理した案件の特徴量と前記案件の処理にかかった作業量の実測値とをそれぞれ表す複数の案件データを取得し、複数の異なる候補グループ数それぞれについて、取得した前記複数の案件データを前記特徴量に基づき前記候補グループ数のグループに分類し、分類した前記候補グループ数のグループに含まれるグループ内の案件データが表す前記作業量の実測値に基づいて、作業者の習熟度と案件の処理にかかる作業量との関係を表す特性曲線モデルに対するフィッティングを行うことにより、当該グループごとの特性曲線モデルと、前記各作業者の習熟度とを算出し、算出した前記グループごとの特性曲線モデルから特定される前記作業量の推定値と、当該グループ内の案件データが表す前記作業量の実測値との誤差を評価し、前記複数の異なる候補グループ数のうち、評価した前記誤差が最小となる候補グループ数のグループについて算出した前記各作業者の習熟度を出力する、習熟度推定方法が提供される。
【発明の効果】
【0008】
本発明の一側面によれば、作業者の習熟度の推定精度を向上させることができるという効果を奏する。
【図面の簡単な説明】
【0009】
【発明を実施するための形態】
【0010】
以下に図面を参照して、本発明にかかる習熟度推定方法および習熟度推定プログラムの実施の形態を詳細に説明する。
【0011】
（実施の形態１）
図１は、実施の形態１にかかる習熟度推定方法の一実施例を示す説明図である。図１において、情報処理装置１０１は、作業者の習熟度を推定するコンピュータである。作業者は、習熟度の推定対象となる者である。作業者は、案件を処理する。案件は、処理すべき事柄（作業、仕事）である。作業者は、例えば、企業や役所などの職員である。
図１は、実施の形態１にかかる習熟度推定方法の一実施例を示す説明図である。図１において、情報処理装置１０１は、作業者の習熟度を推定するコンピュータである。作業者は、習熟度の推定対象となる者である。作業者は、案件を処理する。案件は、処理すべき事柄（作業、仕事）である。作業者は、例えば、企業や役所などの職員である。
【0012】
習熟度は、習熟の度合いである。習熟度は、例えば、職務を遂行する能力の高さを表す。業務支援や教育支援のためには、個人の習熟度（能力）を把握することが重要となる。例えば、職員の業務支援や教育支援を行うにあたり、職員の習熟度を把握できていないと、職員にあった適切な案件を割り振ったり、適切な支援を行ったりすることが難しい。
【0013】
ここで、職員が案件を完了するまでにかかった作業時間などから、職員の習熟度を推定することが考えられる。例えば、各職員が過去に処理した案件の平均作業時間に基づいて、各職員の習熟度を推定することが考えられる。ところが、案件によって、その難易度が異なる場合があり、易しい案件を多く担当した職員が、難しい案件を多く担当した職員に比べて、習熟度が高く推定されるという問題がある。
【0014】
このため、案件を過去の作業時間などに応じてグループ分けして、習熟度と作業量との関係をグループごとに捉えることが考えられる。しかし、従来技術では、一般的にグループ分けの実行時に、グループ数（グループの個数）を自動的に決定することができず、人手によりグループ数を指定していた。
【0015】
例えば、特徴量の近いデータ同士をまとめて、クラスタ（グループ）に分けるクラスタリングと呼ばれる技術がある。クラスタリング手法としては、ｋ－ｍｅａｎｓ法、凝集型クラスタリングなどがある。既存のクラスタリング手法では、事前にユーザがクラスタ数（グループ数）を指定することになる。
【0016】
ところが、人手により適切なグループ数を判断することは難しい。グループ数を適切に判断できないと、職員の習熟度を精度よく推定することができない。例えば、グループ数が少ないと、本来別の難易度を持つものが１つに混ざることが起きて、混ざった案件の中で、易しい案件をたまたま多く処理した人の習熟度が実際より高く推定されるといった問題が生じる。また、グループ数が多いと、本来１つの特性のグループを、２つ、３つに分割することになり、グループ内のデータ数が少なくなる。データにはばらつきが含まれるため、グループ内のデータ数が少ないほど、習熟度の推定精度の低下を招く。
【0017】
そこで、本実施の形態では、複数の異なる候補グループ数の中から、適切な候補グループ数を判断して、作業者の習熟度の推定精度を向上させる習熟度推定方法について説明する。ここで、情報処理装置１０１の処理例について説明する。
【0018】
（１）情報処理装置１０１は、複数の案件データ１１０を取得する。ここで、案件データ１１０は、各作業者が処理した案件の特徴量と、案件の処理にかかる作業量の実測値とを表す。特徴量は、案件の特徴を表す情報である。特徴量は、案件を処理する前に特定可能な情報である。
【0019】
自治体での住民税賦課業務を例に挙げると、案件は、個人に対して住民税を割り当てて負担させる作業に相当する。この場合、案件の特徴量は、例えば、対象者が給与所得者であるか否かの情報や、対象者の世帯人数、所得の数などを表す情報である。
【0020】
作業量は、案件を処理する作業者の習熟度によって増減する値である。習熟度が高いほど、作業量は少なくなり、習熟度が低いほど、作業量は多くなる傾向がある。作業量は、例えば、案件の処理にかかった作業時間によって表される。また、作業量は、案件の処理に要した作業の回数によって表されてもよい。案件データ１１０には、作業者を識別する識別情報が含まれる。
【0021】
（２）情報処理装置１０１は、複数の異なる候補グループ数それぞれについて、取得した複数の案件データ１１０を特徴量に基づき候補グループ数のグループに分類する。ここで、候補グループ数は、分類するグループの個数の候補である。複数の異なる候補グループ数は、任意に設定可能である。
【0022】
複数の異なる候補グループ数は、例えば、「２，３，４，５，６，７，８，９，１０」などに設定される。具体的には、例えば、情報処理装置１０１は、既存のクラスタリング手法により、各案件データ１１０が表す案件の特徴量に基づいて、複数の案件データ１１０を各候補グループ数のグループに分類する。
【0023】
図１の例では、複数の異なる候補グループ数を、「２，３，４」とする。この場合、情報処理装置１０１は、候補グループ数「２」について、複数の案件データ１１０を２つのグループに分類する。また、情報処理装置１０１は、候補グループ数「３」について、複数の案件データ１１０を３つのグループに分類する。また、情報処理装置１０１は、候補グループ数「４」について、複数の案件データ１１０を４つのグループに分類する。
【0024】
（３）情報処理装置１０１は、分類した候補グループ数のグループに含まれるグループ内の案件データ１１０が表す作業量の実測値に基づいて、特性曲線モデルに対するフィッティングを行う。フィッティングとは、回帰分析や内挿（補完）などの技術を用いて、データに当てはまるような曲線を求めることである（曲線あてはめ）。これにより、情報処理装置１０１は、候補グループ数のグループに含まれるグループごとの特性曲線モデルと、各作業者の習熟度とを算出する。
【0025】
ここで、特性曲線モデルは、作業者の習熟度と案件の処理にかかる作業量との関係を表す。特性曲線モデルは、例えば、案件の処理にかかる作業量を、作業者の習熟度の２次式によって表す右下がりの２次曲線（２次関数）である。特性曲線モデルは、グループごとに算出される。一方、各作業者の習熟度は、候補グループ数のグループを通して同一の値である。
【0026】
具体的には、例えば、情報処理装置１０１は、作業者の習熟度と、特性曲線モデル（２次関数）の各項の係数をパラメータとして、パラメータの値を調節することにより、グループ内の案件データ１１０が表す作業量の実測値に当てはまるような特性曲線モデルを作成する。この際、情報処理装置１０１は、案件の処理にかかる作業量が多いほど、作業者の習熟度が低くなるような条件の下で、パラメータの値を調節する。
【0027】
図１の例では、情報処理装置１０１は、候補グループ数「２」のグループについて、２つのグループそれぞれの特性曲線モデルと、各作業者の習熟度とを算出する。また、情報処理装置１０１は、候補グループ数「３」のグループについて、３つのグループそれぞれの特性曲線モデルと、各作業者の習熟度とを算出する。また、情報処理装置１０１は、候補グループ数「４」のグループについて、４つのグループそれぞれの特性曲線モデルと、各作業者の習熟度とを算出する。
【0028】
（４）情報処理装置１０１は、算出したグループごとの特性曲線モデルから特定される作業量の推定値と、当該グループ内の案件データ１１０が表す作業量の実測値との誤差を評価する。誤差は、特性曲線モデルにより推定される作業量と、案件データ１１０が表す実測された作業量との差に相当する。
【0029】
ここで、候補グループ数「２」のグループを例に挙げて、誤差の評価例について説明する。ここでは、誤差の評価を「誤差評価値」を算出することとする。また、候補グループ数「２」のグループを「グループｇ１，ｇ２」と表記し、グループｇ１，ｇ２の特性曲線モデルを「特性曲線モデルＣｖ１，Ｃｖ２」と表記し、作業者の習熟度を「習熟度θ（２）」と表記する。なお、習熟度θ（２）は、候補グループ数「２」における作業者ごとの習熟度を表すものとする。
【0030】
まず、情報処理装置１０１は、算出したグループｇ１の特性曲線モデルＣｖ１と各作業者の習熟度θ（２）とから、各作業者の作業量の推定値を特定する。また、情報処理装置１０１は、特定した各作業者の作業量の推定値と、グループｇ１内の案件データ１１０が表す各作業者の作業量の実測値との誤差（グループｇ１内の案件データ１１０の数分の誤差）を累計することにより、グループｇ１の誤差の合計値を算出する。なお、作業量の推定値と実測値との誤差は、例えば、２乗誤差によって表される。
【0031】
同様に、情報処理装置１０１は、算出したグループｇ２の特性曲線モデルＣｖ２と各作業者の習熟度θ（２）とから、各作業者の作業量の推定値を特定する。また、情報処理装置１０１は、特定した各作業者の作業量の推定値と、グループｇ２内の案件データ１１０が表す各作業者の作業量の実測値との誤差（グループｇ２内の案件データ１１０の数分の誤差）を累計することにより、グループｇ２の誤差の合計値を算出する。そして、情報処理装置１０１は、候補グループ数「２」のグループについて、算出したグループｇ１，ｇ２ごとの誤差の合計値を足し合わせることにより、誤差評価値を算出する。
【0032】
図１の例では、候補グループ数「２」のグループについての誤差評価値と、候補グループ数「３」のグループについての誤差評価値と、候補グループ数「４」のグループについての誤差評価値とが算出される。
【0033】
（５）情報処理装置１０１は、複数の異なる候補グループ数のうち、評価した誤差が最小となる候補グループ数のグループについて算出した各作業者の習熟度を出力する。評価した誤差が最小となる候補グループ数のグループとは、例えば、誤差評価値が最小となる候補グループ数のグループである。
【0034】
図１の例では、候補グループ数「２，３，４」のグループそれぞれの誤差評価値のうち、候補グループ数「２」のグループの誤差評価値が最小であるとする。この場合、情報処理装置１０１は、候補グループ数「２」のグループについて算出した各作業者の習熟度θ（２）を、習熟度推定結果１２０として出力する。
【0035】
このように、情報処理装置１０１によれば、複数の異なる候補グループ数のそれぞれについて、各作業者の習熟度と案件の処理にかかる作業量との関係をグループごとに捉えることができる。そして、情報処理装置１０１によれば、複数の異なる候補グループ数の中から、案件の処理にかかる作業量について、特性曲線による推定値と実測値との誤差が最も小さい候補グループ数を選択することができる。
【0036】
これにより、情報処理装置１０１は、各作業者の習熟度を精度よく推定することができる。図１の例では、情報処理装置１０１は、候補グループ数「２，３，４」のうち、案件の処理にかかる作業量について、特性曲線による推定値と実測値との誤差が最も小さい候補グループ数「２」を選択することで、各作業者の習熟度の推定精度を向上させることができる。
【0037】
（情報処理システム２００のシステム構成例）
つぎに、図１に示した情報処理装置１０１を含む情報処理システム２００のシステム構成例について説明する。ここでは、図１に示した情報処理装置１０１を、情報処理システム２００内の習熟度推定装置２０１に適用した場合を例に挙げて説明する。情報処理システム２００は、例えば、組織における個人の業務や教育を支援するコンピュータシステムに適用される。
つぎに、図１に示した情報処理装置１０１を含む情報処理システム２００のシステム構成例について説明する。ここでは、図１に示した情報処理装置１０１を、情報処理システム２００内の習熟度推定装置２０１に適用した場合を例に挙げて説明する。情報処理システム２００は、例えば、組織における個人の業務や教育を支援するコンピュータシステムに適用される。
【0038】
図２は、情報処理システム２００のシステム構成例を示す説明図である。図２において、情報処理システム２００は、習熟度推定装置２０１と、ユーザ端末２０２と、を含む。情報処理システム２００において、習熟度推定装置２０１およびユーザ端末２０２は、有線または無線のネットワーク２１０を介して接続される。ネットワーク２１０は、例えば、インターネット、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）などである。
【0039】
ここで、習熟度推定装置２０１は、案件データＤＢ（Ｄａｔａｂａｓｅ）２２０を有し、作業者の習熟度を推定するコンピュータである。案件データＤＢ２２０の記憶内容については、図４を用いて後述する。習熟度推定装置２０１は、例えば、サーバによって実現される。
【0040】
ユーザ端末２０２は、情報処理システム２００のユーザが使用するコンピュータである。ユーザは、例えば、企業や役所などの職員の習熟度（能力）を分析する分析者である。ユーザ端末２０２は、例えば、ＰＣ、タブレットＰＣなどである。
【0041】
なお、ここでは、習熟度推定装置２０１とユーザ端末２０２とを別体に設けることにしたが、これに限らない。例えば、習熟度推定装置２０１は、ユーザ端末２０２により実現されてもよい。また、情報処理システム２００には、複数のユーザ端末２０２が含まれていてもよい。
【0042】
（習熟度推定装置２０１のハードウェア構成例）
つぎに、習熟度推定装置２０１のハードウェア構成例について説明する。
つぎに、習熟度推定装置２０１のハードウェア構成例について説明する。
【0043】
図３は、習熟度推定装置２０１のハードウェア構成例を示すブロック図である。図３において、習熟度推定装置２０１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）３０１と、メモリ３０２と、ディスクドライブ３０３と、ディスク３０４と、通信Ｉ／Ｆ（Ｉｎｔｅｒｆａｃｅ）３０５と、可搬型記録媒体Ｉ／Ｆ３０６と、可搬型記録媒体３０７と、を有する。また、各構成部は、バス３００によってそれぞれ接続される。
【0044】
ここで、ＣＰＵ３０１は、習熟度推定装置２０１の全体の制御を司る。ＣＰＵ３０１は、複数のコアを有していてもよい。メモリ３０２は、例えば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）およびフラッシュＲＯＭなどを有する。具体的には、例えば、フラッシュＲＯＭがＯＳのプログラムを記憶し、ＲＯＭがアプリケーションプログラムを記憶し、ＲＡＭがＣＰＵ３０１のワークエリアとして使用される。メモリ３０２に記憶されるプログラムは、ＣＰＵ３０１にロードされることで、コーディングされている処理をＣＰＵ３０１に実行させる。
【0045】
ディスクドライブ３０３は、ＣＰＵ３０１の制御に従ってディスク３０４に対するデータのリード／ライトを制御する。ディスク３０４は、ディスクドライブ３０３の制御で書き込まれたデータを記憶する。ディスク３０４は、例えば、磁気ディスク、光ディスクなどである。
【0046】
通信Ｉ／Ｆ３０５は、通信回線を通じてネットワーク２１０に接続され、ネットワーク２１０を介して外部のコンピュータ（例えば、図２に示したユーザ端末２０２）に接続される。そして、通信Ｉ／Ｆ３０５は、ネットワーク２１０と装置内部とのインターフェースを司り、外部のコンピュータからのデータの入出力を制御する。通信Ｉ／Ｆ３０５は、例えば、モデムやＬＡＮアダプタなどである。
【0047】
可搬型記録媒体Ｉ／Ｆ３０６は、ＣＰＵ３０１の制御に従って可搬型記録媒体３０７に対するデータのリード／ライトを制御する。可搬型記録媒体３０７は、可搬型記録媒体Ｉ／Ｆ３０６の制御で書き込まれたデータを記憶する。可搬型記録媒体３０７は、例えば、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｃ）－ＲＯＭ、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ）、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリなどである。
【0048】
なお、習熟度推定装置２０１は、上述した構成部のほかに、例えば、入力装置、ディスプレイなどを有してもよい。また、習熟度推定装置２０１は、上述した構成部のうち、例えば、可搬型記録媒体Ｉ／Ｆ３０６、可搬型記録媒体３０７を有さなくてもよい。また、図２に示したユーザ端末２０２についても、習熟度推定装置２０１と同様のハードウェア構成により実現することができる。ただし、ユーザ端末２０２は、上述した構成部のほかに、例えば、入力装置、ディスプレイなどを有する。
【0049】
（案件データＤＢ２２０の記憶内容）
つぎに、図４を用いて、習熟度推定装置２０１が有する案件データＤＢ２２０の記憶内容について説明する。案件データＤＢ２２０は、例えば、メモリ３０２、ディスク３０４などの記憶装置により実現される。
つぎに、図４を用いて、習熟度推定装置２０１が有する案件データＤＢ２２０の記憶内容について説明する。案件データＤＢ２２０は、例えば、メモリ３０２、ディスク３０４などの記憶装置により実現される。
【0050】
図４は、案件データＤＢ２２０の記憶内容の一例を示す説明図である。図４において、案件データＤＢ２２０は、案件ＩＤ、職員ＩＤ、トライ数、特徴量１、特徴量２および特徴量３のフィールドを有し、各フィールドに情報を設定することで、案件データ（例えば、案件データ４００－１～４００－３）をレコードとして記憶する。
【0051】
ここで、案件ＩＤは、案件を一意に識別する識別子である。職員ＩＤは、案件を処理した職員を一意に識別する識別子である。トライ数は、案件の処理にかかった作業量の実測値である。トライ数は、案件の処理にかかった作業時間によって表されてもよく、また、案件の処理に要した作業の回数によって表されてもよい。トライ数は、整数であっても、小数であってもよい。
【0052】
特徴量１、特徴量２および特徴量３は、案件の特徴を表す。例えば、案件が、自治体での住民税賦課業務において、個人に対して住民税を割り当てて負担させる作業であるとする。この場合、特徴量１は、例えば、対象者が給与所得者であるか否かを示す。特徴量２は、例えば、対象者の世帯人数を示す。特徴量３は、例えば、対象者の所得の数（給与、事業、利子、配当、不動産などの数）を示す。
【0053】
（習熟度推定装置２０１の機能的構成例）
つぎに、図５を用いて、習熟度推定装置２０１の機能的構成例について説明する。
つぎに、図５を用いて、習熟度推定装置２０１の機能的構成例について説明する。
【0054】
図５は、実施の形態１にかかる習熟度推定装置２０１の機能的構成例を示すブロック図である。図５において、習熟度推定装置２０１は、取得部５０１と、分類部５０２と、算出部５０３と、評価部５０４と、出力部５０５と、を含む。取得部５０１～出力部５０５は制御部５００となる機能であり、具体的には、例えば、図３に示したメモリ３０２、ディスク３０４、可搬型記録媒体３０７などの記憶装置に記憶されたプログラムをＣＰＵ３０１に実行させることにより、または、通信Ｉ／Ｆ３０５により、その機能を実現する。各機能部の処理結果は、例えば、メモリ３０２、ディスク３０４などの記憶装置に記憶される。
【0055】
取得部５０１は、複数の案件データを取得する。ここで、案件データは、各作業者が処理した案件の特徴量と、案件の処理にかかる作業量の実測値とを表す情報である。案件データには、作業者を一意に識別する識別情報が含まれる。特徴量は、案件の特徴を表す情報であり、例えば、数値によって表される。作業量は、例えば、案件の処理にかかった作業時間によって表されてもよく、また、案件の処理に要した作業の回数によって表されてもよい。
【0056】
具体的には、例えば、取得部５０１は、図２に示したユーザ端末２０２から受信することにより、複数の案件データ（例えば、図４に示した案件データ４００－１～４００－３）を取得する。また、取得部５０１は、不図示の入力装置を用いたユーザの操作入力により、複数の案件データを取得してもよい。また、取得部５０１は、習熟度の推定対象となる作業者（例えば、職員）の端末からそれぞれ受信することにより、複数の案件データを取得してもよい。
【0057】
取得された案件データは、例えば、図４に示した案件データＤＢ２２０に記憶される。
【0058】
分類部５０２は、複数の異なる候補グループ数それぞれについて、取得された複数の案件データを特徴量に基づき候補グループ数のグループに分類する。候補グループ数は、分類するグループの個数の候補である。複数の異なる候補グループ数は、任意に設定可能である。
【0059】
以下の説明では、複数の異なる候補グループ数を「候補グループ数（ｎ1，ｎ2，…，ｎc）」と表記し、候補グループ数（ｎ1，ｎ2，…，ｎc）のうちのいずれかの候補グループ数を「候補グループ数ｎi」と表記する場合がある（ｉ＝１，２，…，Ｃ）。
【0060】
具体的には、例えば、分類部５０２は、候補グループ数（ｎ1，ｎ2，…，ｎc）の各候補グループ数ｎiについて、既存のクラスタリング手法により、案件データＤＢ２２０を参照して、各案件データが表す案件の特徴量１，２，３に基づいて、複数の案件データを各候補グループ数ｎiのグループに分類する。既存のクラスタリング手法は、ｋ－ｍｅａｎｓ法や凝集型クラスタリングなどである。
【0061】
算出部５０３は、各候補グループ数ｎiについて、分類された各候補グループ数ｎiのグループに含まれるグループ内の案件データが表す作業量の実測値に基づいて、特性曲線モデルＣｖに対するフィッティングを行うことにより、当該グループごとの特性曲線モデルＣｖと、各作業者の習熟度θとを算出する。習熟度θは、例えば、作業者間で相対的な値であり、職務を遂行する能力が高い作業者ほど値が高くなるように算出される。
【0062】
特性曲線モデルＣｖは、作業者の習熟度と案件の処理にかかる作業量との関係を表す。特性曲線モデルＣｖは、例えば、下記式（１）を用いて表すことができる。ただし、θは、作業者の習熟度を示す。ａ，ｂ，ｃは、係数を示す。Ｉ（θ）は、案件の処理にかかるトライ数（作業量）を示す。
【0063】
Ｉ（θ）＝ａθ2＋ｂθ＋ｃ ・・・（１）
【0064】
具体的には、例えば、算出部５０３は、候補グループ数ｎiのグループに含まれるグループ内の個々の案件データのトライ数（作業量）と、特性曲線モデルＣｖとの誤差が小さくなるように、各作業者の習熟度θと、各グループの特性曲線モデルＣｖの係数ａ，ｂ，ｃをフィッティングにより推定する。フィッティングは、例えば、全グループ一括で、Ｎｅｌｄｅｒ－Ｍｅａｄ法、ＣＯＢＹＬＡ法などの非線形最適化のアルゴリズムを用いて実行することができる。
【0065】
誤差は、例えば、下記式（２）を用いて表すことができる。ただし、Ｔkは、案件ＩＤ「ｋ」の案件のトライ数を示す。ｇ（ｋ）は、候補グループ数ｎiのグループのうち、案件ＩＤ「ｋ」の案件データが属するグループを示す。ｐ（ｋ）は、案件ＩＤ「ｋ」の案件を処理した職員（作業者）の職員ＩＤを示す。ａg(k)，ｂg(k)，ｃg(k)は、案件ＩＤ「ｋ」の案件データが属するグループの特性曲線モデルＣｖの係数ａ，ｂ，ｃを示す。θp(k)は、職員ＩＤ「ｐ（ｋ）」の職員（作業者）の習熟度を示す。
【0066】
誤差＝Σk｛Ｔk－（ａg(k)θp(k)
2＋ｂg(k)θp(k)＋ｃg(k)）｝2・・・（２）
【0067】
各候補グループ数ｎiのグループごとの特性曲線モデルＣｖと各作業者の習熟度θの算出例については、図８Ａ、図８Ｂ、図９Ａおよび図９Ｂを用いて後述する。各候補グループ数ｎiのグループについて算出された算出結果は、例えば、図６に示すような誤差評価用テーブル６００に記憶される。
【0068】
図６は、誤差評価用テーブル６００の記憶内容の一例を示す説明図である。図６において、誤差評価用テーブル６００は、候補グループ数、グループ、ａ、ｂ、ｃ、θ１、θ２、θ３、および誤差評価値のフィールドを有する。各フィールドに情報を設定することで、誤差評価情報（例えば、誤差評価情報６００－１～６００－３）がレコードとして記憶される。
【0069】
ここで、候補グループ数は、候補グループ数（ｎ1，ｎ2，…，ｎc）に対応する。グループは、候補グループ数ｎiのグループに含まれるグループを示す。ａ、ｂ、ｃは、特性曲線モデルＣｖの係数ａ，ｂ，ｃを示す。θ１、θ２、θ３は、各職員（作業者）の習熟度を示す。ただし、ここでは３人の職員を想定する。
【0070】
誤差評価値は、特性曲線モデルＣｖから特定されるトライ数（作業量）の推定値と、案件データが表すトライ数（作業量）の実測値との誤差を評価した結果に相当する。誤差評価値は、初期状態では「空」である。例えば、誤差評価情報６００－１は、候補グループ数「２」のグループについて、各グループ１，２の特性曲線モデルＣｖの係数ａ，ｂ，ｃと、各職員の習熟度θ１～θ３とを示す。
【0071】
評価部５０４は、各候補グループ数ｎiについて、算出したグループごとの特性曲線モデルＣｖから特定される作業量の推定値と、当該グループ内の案件データが表す作業量の実測値との誤差を評価する。具体的には、例えば、評価部５０４は、各候補グループ数ｎiのグループについて、誤差評価値を算出する。
【0072】
より詳細に説明すると、例えば、評価部５０４は、候補グループ数ｎiのグループに含まれるグループごとに、算出されたグループの特性曲線モデルＣｖと各職員（作業者）の習熟度θとから、各職員のトライ数（作業量）の推定値を特定する。特性曲線モデルＣｖおよび各職員の習熟度θは、例えば、図６に示した誤差評価用テーブル６００から特定される。
【0073】
つぎに、評価部５０４は、特定した各職員のトライ数の推定値と、グループ内の案件データが表す各職員のトライ数の実測値との誤差を累計することにより、グループの誤差の合計値を算出する。そして、評価部５０４は、算出したグループごとの誤差の合計値を足し合わせることにより、各候補グループ数ｎiのグループについての誤差評価値を算出する。
【0074】
各候補グループ数ｎiのグループについての誤差評価値の算出例については、図８Ａ、図８Ｂ、図９Ａおよび図９Ｂを用いて後述する。算出された誤差評価値は、例えば、図６に示した誤差評価用テーブル６００に記憶される。
【0075】
出力部５０５は、候補グループ数（ｎ1，ｎ2，…，ｎc）のうち、評価された誤差が最小となる候補グループ数ｎiのグループについて算出された各作業者の習熟度θを出力する。出力部５０５の出力形式としては、例えば、メモリ３０２、ディスク３０４などの記憶装置への記憶、通信Ｉ／Ｆ３０５による他のコンピュータへの送信、不図示のディスプレイへの表示、不図示のプリンタへの印刷出力などがある。
【0076】
具体的には、例えば、出力部５０５は、誤差評価用テーブル６００を参照して、誤差評価値が最小となる候補グループ数ｎiのグループについて算出された各作業者の習熟度θを習熟度推定結果として、図２に示したユーザ端末２０２に出力してもよい。
【0077】
（習熟度推定装置２０１の動作例）
つぎに、図７を用いて、習熟度推定装置２０１の動作例について説明する。ここでは、候補グループ数（ｎ1，ｎ2，…，ｎc）を「候補グループ数（２，３，…，１０）」とする。また、案件データを「案件データ７１０」とし、複数の案件データ７１０の案件を処理した作業者を「職員Ａ，Ｂ，Ｃ」とする。
つぎに、図７を用いて、習熟度推定装置２０１の動作例について説明する。ここでは、候補グループ数（ｎ1，ｎ2，…，ｎc）を「候補グループ数（２，３，…，１０）」とする。また、案件データを「案件データ７１０」とし、複数の案件データ７１０の案件を処理した作業者を「職員Ａ，Ｂ，Ｃ」とする。
【0078】
図７は、実施の形態１にかかる習熟度推定装置２０１の動作例を示す説明図である。図７において、習熟度推定装置２０１は、候補グループ数（２，３，…，１０）の各候補グループ数ｎiについて、複数の案件データ７１０を特徴量に基づき候補グループ数ｎiのグループに分類する。
【0079】
習熟度推定装置２０１は、各候補グループ数ｎiのグループについて、各候補グループ数ｎiのグループに含まれるグループごとの特性曲線モデルＣｖと、各職員Ａ，Ｂ，Ｃの習熟度θとを算出する。ここで、複数の案件データ７１０を、候補グループ数「２」のグループ１，２に分類した場合を例に挙げて説明する。
【0080】
図７において、トライ数分布７１１は、グループ１に属する案件の処理にかかった職員Ａのトライ数の分布を表す。トライ数分布７１２は、グループ１に属する案件の処理にかかった職員Ｂのトライ数の分布を表す。トライ数分布７１３は、グループ１に属する案件の処理にかかった職員Ｃのトライ数の分布を表す。ただし、縦軸をトライ回数とし、横軸をトライ回数の出現頻度とする。
【0081】
トライ数分布７２１は、グループ２に属する案件の処理にかかった職員Ａのトライ数の分布を表す。トライ数分布７２２は、グループ２に属する案件の処理にかかった職員Ｂのトライ数の分布を表す。トライ数分布７２３は、グループ２に属する案件の処理にかかった職員Ｃのトライ数の分布を表す。
【0082】
また、特性曲線Ｃｖ１は、グループ１に対応する特性曲線であり、職員（作業者）の習熟度と案件の処理にかかるトライ数（作業量）との関係を表す。特性曲線Ｃｖ２は、グループ２に対応する特性曲線であり、職員（作業者）の習熟度と案件の処理にかかるトライ数（作業量）との関係を表す。特性曲線Ｃｖ１，Ｃｖ２は、例えば、上記式（１）によって表される。
【0083】
習熟度推定装置２０１は、各グループ１，２内の個々の案件データ７１０のトライ数と、各特性曲線モデルＣｖ１，Ｃｖ２との誤差が小さくなるように、各職員Ａ，Ｂ，Ｃの習熟度θと、各特性曲線モデルＣｖ１，Ｃｖ２の係数ａ，ｂ，ｃをフィッティングにより推定する。誤差は、例えば、上記式（２）によって表される。
【0084】
これにより、候補グループ数「２」のグループ１，２について、グループ１，２ごとの特性曲線モデルＣｖ１，Ｃｖ２と、各職員Ａ，Ｂ，Ｃの習熟度θとが算出される。
【0085】
習熟度推定装置２０１は、候補グループ数（２，３，…，１０）の各候補グループ数ｎiについて、算出したグループごとの特性曲線モデルＣｖから特定されるトライ数の推定値と、当該グループ内の案件データ７１０が表すトライ数の実測値との誤差を評価する。
【0086】
候補グループ数「２」のグループ１，２を例に挙げると、習熟度推定装置２０１は、グループ１の特性曲線モデルＣｖ１と各職員Ａ，Ｂ，Ｃの習熟度θとから、グループ１の各職員Ａ，Ｂ，Ｃのトライ数の推定値を特定する。つぎに、習熟度推定装置２０１は、特定した各職員Ａ，Ｂ，Ｃのトライ数の推定値と、グループ１内の案件データが表す各職員Ａ，Ｂ，Ｃのトライ数の実測値との誤差を累計することにより、グループ１の誤差の合計値を算出する。
【0087】
また、習熟度推定装置２０１は、グループ２の特性曲線モデルＣｖ２と各職員Ａ，Ｂ，Ｃの習熟度θとから、グループ２の各職員Ａ，Ｂ，Ｃのトライ数の推定値を特定する。つぎに、習熟度推定装置２０１は、特定した各職員Ａ，Ｂ，Ｃのトライ数の推定値と、グループ２内の案件データが表す各職員Ａ，Ｂ，Ｃのトライ数の実測値との誤差を累計することにより、グループ２の誤差の合計値を算出する。
【0088】
そして、習熟度推定装置２０１は、算出したグループ１，２ごとの誤差の合計値を足し合わせることにより、候補グループ数「２」のグループ１，２についての誤差評価値Ｖ［２］を算出する。同様に、習熟度推定装置２０１は、候補グループ数（３，４，…，１０）のグループについての誤差評価値Ｖ［３］～Ｖ［１０］を算出する。なお、誤差評価値Ｖ［＃］は、候補グループ数「＃」のグループについての誤差評価値を示す。
【0089】
習熟度推定装置２０１は、候補グループ数（２，３，…，１０）のうち、算出した誤差評価値が最小となる候補グループ数ｎiのグループについて算出した各職員Ａ，Ｂ，Ｃの習熟度θを出力する。ここでは、誤差評価値Ｖ［２］～Ｖ［１０］のうち誤差評価値Ｖ［２］が最小であるとする。この場合、習熟度推定装置２０１は、候補グループ数「２」のグループについて算出した各職員Ａ，Ｂ，Ｃの習熟度θを、習熟度推定結果７２０として出力する。
【0090】
これにより、習熟度推定装置２０１は、候補グループ数が異なる複数のパターンの中から、トライ数についての特性曲線による推定値と実測値との誤差が最も小さいパターンを選択することで、各職員Ａ，Ｂ，Ｃの習熟度θを精度よく推定することができる。
【0091】
（誤差評価値の算出例）
ここで、候補グループ数「２」のグループ１，２を例に挙げて、誤差評価値Ｖ［２］の算出例について説明する。まず、候補グループ数「２」のグループ１，２について、グループ１，２ごとの特性曲線モデルＣｖと、各職員Ａ，Ｂ，Ｃの習熟度θの算出例について説明する。
ここで、候補グループ数「２」のグループ１，２を例に挙げて、誤差評価値Ｖ［２］の算出例について説明する。まず、候補グループ数「２」のグループ１，２について、グループ１，２ごとの特性曲線モデルＣｖと、各職員Ａ，Ｂ，Ｃの習熟度θの算出例について説明する。
【0092】
図８Ａは、グループ１の職員別のトライ数分布を示す説明図である。図８Ａにおいて、トライ数分布テーブル８０１は、グループ１に含まれる案件データ７１０が表す各職員Ａ，Ｂ，Ｃのトライ数（実測値）の分布を示す。例えば、グループ１に含まれる案件を職員Ａが処理したときのトライ数は「１，４，３，３，２，４，２，３」である。
【0093】
図８Ｂは、グループ２の職員別のトライ数分布を示す説明図である。図８Ｂにおいて、トライ数分布テーブル８０２は、グループ２に含まれる案件データ７１０が表す各職員Ａ，Ｂ，Ｃのトライ数（実測値）の分布を示す。例えば、グループ２に含まれる案件を職員Ａが処理したときのトライ数は「５，６，５」である。
【0094】
図９Ａは、グループ１のフィッティング結果を示す説明図である。図９Ａにおいて、特性曲線９０１は、グループ１内の案件データ７１０が表すトライ数（作業量）の実測値に基づくフィッティング結果を示す。ただし、図９Ａでは、点が重ならないように、各職員Ａ，Ｂ，Ｃの習熟度を推定値から横軸方向に少しずらした位置に表示している。
【0095】
図９Ｂは、グループ２のフィッティング結果を示す説明図である。図９Ｂにおいて、特性曲線９０２は、グループ２内の案件データ７１０が表すトライ数（作業量）の実測値に基づくフィッティング結果を示す。ただし、図９Ｂでは、点が重ならないように、各職員Ａ，Ｂ，Ｃの習熟度を推定値から横軸方向に少しずらした位置に表示している。
【0096】
この場合、グループ１の特性曲線９０１（特性曲線モデルＣｖ１）は、下記式（３）によって表される。また、グループ２の特性曲線９０２（特性曲線モデルＣｖ２）は、下記式（４）によって表される。ただし、ｙは、トライ数（作業量）を示す。θは、職員（作業者）の習熟度を示す。
【0097】
ｙ＝－０．２４θ2－０．４０θ＋２．５８ ・・・（３）
ｙ＝０．０１θ2－１．５１θ＋４．２７ ・・・（４）
ｙ＝０．０１θ2－１．５１θ＋４．２７ ・・・（４）
【0098】
また、各職員Ａ，Ｂ，Ｃの習熟度θは、下記式（５）～（７）によって表される。ただし、θAは、職員Ａの習熟度を示す。θBは、職員Ｂの習熟度を示す。θCは、職員Ｃの習熟度を示す。
【0099】
θA＝－０．７０ ・・・（５）
θB＝－０．０４ ・・・（６）
θC＝０．６８ ・・・（７）
θB＝－０．０４ ・・・（６）
θC＝０．６８ ・・・（７）
【0100】
習熟度推定装置２０１は、上記式（３）および上記式（５）～（７）から、グループ１の各職員Ａ，Ｂ，Ｃのトライ数の推定値を特定する。グループ１の各職員Ａ，Ｂ，Ｃのトライ数の推定値は、以下のようになる。
【0101】
職員Ａのトライ数の推定値＝２．７５０
職員Ｂのトライ数の推定値＝２．６００
職員Ｃのトライ数の推定値＝２．２００
職員Ｂのトライ数の推定値＝２．６００
職員Ｃのトライ数の推定値＝２．２００
【0102】
また、習熟度推定装置２０１は、上記式（４）および上記式（５）～（７）から、グループ２の各職員Ａ，Ｂ，Ｃのトライ数の推定値を特定する。グループ２の各職員Ａ，Ｂ，Ｃのトライ数の推定値は、以下のようになる。
【0103】
職員Ａのトライ数の推定値＝５．３３３
職員Ｂのトライ数の推定値＝４．３３３
職員Ｃのトライ数の推定値＝３．２５０
職員Ｂのトライ数の推定値＝４．３３３
職員Ｃのトライ数の推定値＝３．２５０
【0104】
そして、習熟度推定装置２０１は、各グループ１，２の各職員Ａ，Ｂ，Ｃのトライ数の推定値と、各グループ１，２内の案件データ７１０が表す各職員Ａ，Ｂ，Ｃのトライ数の実測値（例えば、トライ数分布テーブル８０１，８０２参照）との誤差を評価する。これにより、習熟度推定装置２０１は、候補グループ数「２」のグループについての誤差評価値Ｖ［２］を算出する。
【0105】
具体的には、例えば、習熟度推定装置２０１は、上記式（２）を用いて、各グループ１，２について、各グループ１，２の各職員Ａ，Ｂ，Ｃのトライ数の推定値と、各グループ１，２内の案件データ７１０が表す各職員Ａ，Ｂ，Ｃのトライ数の実測値との２乗誤差を累計することにより、誤差評価値Ｖ［２］を算出する。
【0106】
各グループ１，２の各職員Ａ，Ｂ，Ｃについてのトライ数の推定値と実測値との２乗誤差の和は、以下のようになる。ただし、小数点第３位を切り上げる。
【0107】
グループ１、職員Ａ：（１－２．７５）2＋（４－２．７５）2＋（３－２．７５）2＋…＋（３－２．７５）2
グループ１、職員Ｂ：（２－２．６）2＋（３－２．６）2＋（３－２．６）2＋…＋（１－２．６）2
グループ１、職員Ｃ：（２－２．２）2＋…（１－２．２）2
グループ２、職員Ａ：（５－５．３３３）2＋…（５－５．３３３）2
グループ２、職員Ｂ：（３－４．３３３）2＋…（４－４．３３３）2
グループ２、職員Ｃ：（３－３．２５）2＋…（４－３．２５）2
グループ１、職員Ｂ：（２－２．６）2＋（３－２．６）2＋（３－２．６）2＋…＋（１－２．６）2
グループ１、職員Ｃ：（２－２．２）2＋…（１－２．２）2
グループ２、職員Ａ：（５－５．３３３）2＋…（５－５．３３３）2
グループ２、職員Ｂ：（３－４．３３３）2＋…（４－４．３３３）2
グループ２、職員Ｃ：（３－３．２５）2＋…（４－３．２５）2
【0108】
候補グループ数「２」のグループについての誤差評価値Ｖ［２］は、上記６つの値の和となる。ここでは、誤差評価値Ｖ［２］は、「Ｖ［２］＝２６．２５」となる。算出された誤差評価値Ｖ［２］は、例えば、誤差評価用テーブル６００内の誤差評価情報６００－１に設定される。
【0109】
図７の例では、誤差評価値Ｖ［２］～Ｖ［１０］のうち誤差評価値Ｖ［２］が最小となる。この場合、図７に示した習熟度推定結果７２０には、候補グループ数「２」のグループについて算出された、上記式（５）～（７）の各職員Ａ，Ｂ，Ｃの習熟度「θA＝－０．７０，θB＝－０．０４，θC＝０．６８」が含まれる。
【0110】
（習熟度推定装置２０１の習熟度推定処理手順）
つぎに、習熟度推定装置２０１の習熟度推定処理手順について説明する。
つぎに、習熟度推定装置２０１の習熟度推定処理手順について説明する。
【0111】
図１０は、実施の形態１にかかる習熟度推定装置２０１の習熟度推定処理手順の一例を示すフローチャートである。図１０において、習熟度推定装置２０１は、複数の案件データを取得する（ステップＳ１００１）。つぎに、習熟度推定装置２０１は、候補グループ数（ｎ1，ｎ2，…，ｎc）を取得する（ステップＳ１００２）。候補グループ数（ｎ1，ｎ2，…，ｎc）は、例えば、メモリ３０２、ディスク３０４などに記憶されている。
【0112】
そして、習熟度推定装置２０１は、候補グループ数（ｎ1，ｎ2，…，ｎc）のうち選択されていない未選択の候補グループ数ｎiを選択する（ステップＳ１００３）。つぎに、習熟度推定装置２０１は、取得した複数の案件データを特徴量に基づき、選択した候補グループ数ｎiのグループに分類する（ステップＳ１００４）。
【0113】
そして、習熟度推定装置２０１は、分類した候補グループ数ｎiのグループに含まれるグループ内の案件データが表す作業量の実測値に基づいて、特性曲線モデルＣｖに対するフィッティングを行うことにより、当該グループごとの特性曲線モデルＣｖと、各作業者の習熟度θとを算出する（ステップＳ１００５）。
【0114】
つぎに、習熟度推定装置２０１は、グループごとの特性曲線モデルＣｖから特定される作業量の推定値と、当該グループ内の案件データが表す作業量の実測値との誤差を評価することにより、候補グループ数ｎiのグループについて、誤差評価値を算出する（ステップＳ１００６）。
【0115】
そして、習熟度推定装置２０１は、候補グループ数（ｎ1，ｎ2，…，ｎc）のうち選択されていない未選択の候補グループ数があるか否かを判断する（ステップＳ１００７）。ここで、未選択の候補グループ数がある場合（ステップＳ１００７：Ｙｅｓ）、習熟度推定装置２０１は、ステップＳ１００３に戻る。
【0116】
一方、未選択の候補グループ数がない場合（ステップＳ１００７：Ｎｏ）、習熟度推定装置２０１は、候補グループ数（ｎ1，ｎ2，…，ｎc）のうち、算出した誤差評価値が最小となる候補グループ数ｎiを特定する（ステップＳ１００８）。つぎに、習熟度推定装置２０１は、特定した候補グループ数ｎiのグループについて算出した各作業者の習熟度θを特定する（ステップＳ１００９）。
【0117】
そして、習熟度推定装置２０１は、特定した各作業者の習熟度θを含む習熟度推定結果を出力して（ステップＳ１０１０）、本フローチャートによる一連の処理を終了する。これにより、習熟度推定装置２０１は、各作業者の習熟度θを精度よく推定することができる。
【0118】
以上説明したように、実施の形態１にかかる習熟度推定装置２０１によれば、各作業者が処理した案件の特徴量と案件の処理にかかる作業量の実測値とをそれぞれ表す複数の案件データを取得することができる。そして、習熟度推定装置２０１によれば、候補グループ数（ｎ1，ｎ2，…，ｎc）の各候補グループ数ｎiについて、取得した複数の案件データを特徴量に基づき候補グループ数ｎiのグループに分類することができる。また、習熟度推定装置２０１によれば、分類した候補グループ数ｎiのグループに含まれるグループ内の案件データが表す作業量の実測値に基づいて、特性曲線モデルＣｖに対するフィッティングを行うことにより、当該グループごとの特性曲線モデルＣｖと、各作業者の習熟度θとを算出することができる。特性曲線モデルＣｖは、作業者の習熟度と案件の処理にかかる作業量との関係を表す。特性曲線モデルＣｖは、例えば、右下がりの２次曲線を表す関数（２次関数）である。
【0119】
これにより、習熟度推定装置２０１は、候補グループ数（ｎ1，ｎ2，…，ｎc）の各候補グループ数ｎiについて、各作業者の習熟度と案件の処理にかかる作業量との関係をグループごとに捉えることができる。
【0120】
また、習熟度推定装置２０１によれば、候補グループ数（ｎ1，ｎ2，…，ｎc）の各候補グループ数ｎiについて、算出したグループごとの特性曲線モデルＣｖから特定される作業量の推定値と、当該グループ内の案件データが表す作業量の実測値との誤差を評価することができる。そして、習熟度推定装置２０１によれば、候補グループ数（ｎ1，ｎ2，…，ｎc）のうち、評価した誤差が最小となる候補グループ数ｎiのグループについて算出した各作業者の習熟度θを出力することができる。
【0121】
これにより、習熟度推定装置２０１は、複数の異なる候補グループ数の中から、案件の処理にかかる作業量について、特性曲線による推定値と実測値との誤差が最も小さい候補グループ数を選択することで、各作業者の習熟度θを精度よく推定することができる。
【0122】
（実施の形態２）
つぎに、実施の形態２にかかる習熟度推定装置２０１について説明する。なお、実施の形態１で説明した箇所と同様の箇所については、図示および説明を省略する。
つぎに、実施の形態２にかかる習熟度推定装置２０１について説明する。なお、実施の形態１で説明した箇所と同様の箇所については、図示および説明を省略する。
【0123】
ここで、複数の案件データを用いて誤差評価を行うにあたり、グループを小さく分けるほど（グループ数が多いほど）、誤差が小さくなる、過学習になっている可能性がある。そこで、実施の形態２では、習熟度推定装置２０１は、複数の案件データを訓練データとテストデータとに分割し、訓練データでグループ分けと特性曲線モデルへのフィッティングを行い、そのグループ分けモデルと特性曲線モデルをテストデータで誤差評価する。
【0124】
まず、図１１を用いて、習熟度推定装置２０１の動作例について説明する。なお、実施の形態２にかかる習熟度推定装置２０１の機能的構成例については、実施の形態１にかかる習熟度推定装置２０１の機能的構成例と同様のため図示を省略する。
【0125】
図１１は、実施の形態２にかかる習熟度推定装置２０１の動作例を示す説明図である。図１１において、習熟度推定装置２０１の分類部５０２は、複数の案件データ１１１０を訓練データ１１２０とテストデータ１１３０とに分割する。具体的には、例えば、分類部５０２は、所定の比率に従って、複数の案件データ１１１０を訓練データ１１２０とテストデータ１１３０とにランダムに分割する。
【0126】
所定の比率は、訓練データ数とテストデータ数との比率であり、任意に設定可能である。所定の比率は、例えば、「訓練データ数：テストデータ数＝６：４」などの比率に設定される。また、分類部５０２は、複数の案件データ１１１０を分割するにあたり、特定の作業者の案件データ１１１０が、訓練データ１１２０やテストデータ１１３０に偏らないようにしてもよい。
【0127】
そして、分類部５０２は、候補グループ数（ｎ1，ｎ2，…，ｎc）の各候補グループ数ｎiについて、分割した訓練データ１１２０を特徴量に基づき各候補グループ数ｎiのグループに分類する。
【0128】
習熟度推定装置２０１の算出部５０３は、各候補グループ数ｎiについて、各候補グループ数ｎiのグループに含まれるグループ内の訓練データ１１２０が表す作業量の実測値に基づいて、特性曲線モデルＣｖに対するフィッティングを行うことにより、当該グループごとの特性曲線モデルＣｖと、各作業者の習熟度θとを算出する。
【0129】
習熟度推定装置２０１の評価部５０４は、各候補グループ数ｎiについて、算出されたグループごとの特性曲線モデルＣｖから特定される作業量の推定値と、分割されたテストデータ１１３０のうち、当該グループに分類されるテストデータ１１３０が表す作業量の実測値との誤差を評価する。
【0130】
具体的には、例えば、評価部５０４は、分割されたテストデータ１１３０を、テストデータ１１３０が表す特徴量に基づいて、各候補グループ数ｎiのグループのいずれかのグループに分類する。この際、評価部５０４は、例えば、分類部５０２による訓練データの分類で学習したモデルを用いて、テストデータ１１３０を分類する。
【0131】
そして、評価部５０４は、グループごとの特性曲線モデルＣｖから特定される作業量の推定値と、当該グループ内のテストデータ１１３０が表す作業量の実測値との誤差を評価することにより、各候補グループ数ｎiのグループについての誤差評価値を算出する。
【0132】
より詳細に説明すると、例えば、評価部５０４は、算出されたグループの特性曲線モデルＣｖと各作業者の習熟度θとから、各作業者の作業量の推定値を特定する。つぎに、評価部５０４は、特定した各作業者の作業量の推定値と、グループ内の各テストデータ１１３０が表す各作業者の実測値との誤差を累計することにより、グループの誤差の合計値を算出する。そして、評価部５０４は、算出したグループごとの誤差の合計値を足し合わせることにより、各候補グループ数ｎiのグループについての誤差評価値を算出する。
【0133】
習熟度推定装置２０１の出力部５０５は、候補グループ数（ｎ1，ｎ2，…，ｎc）のうち、評価された誤差が最小となる候補グループ数ｎiのグループについて算出された各作業者の習熟度θを出力する。具体的には、例えば、出力部５０５は、誤差評価値が最小となる候補グループ数ｎiのグループについて算出された各作業者の習熟度θを、習熟度推定結果１１４０として出力する。
【0134】
（習熟度推定装置２０１の習熟度推定処理手順）
つぎに、習熟度推定装置２０１の習熟度推定処理手順について説明する。
つぎに、習熟度推定装置２０１の習熟度推定処理手順について説明する。
【0135】
図１２は、実施の形態２にかかる習熟度推定装置２０１の習熟度推定処理手順の一例を示すフローチャートである。図１２において、習熟度推定装置２０１は、複数の案件データを取得する（ステップＳ１２０１）。そして、習熟度推定装置２０１は、取得した複数の案件データを訓練データとテストデータとに分割する（ステップＳ１２０２）。
【0136】
つぎに、習熟度推定装置２０１は、候補グループ数（ｎ1，ｎ2，…，ｎc）を取得する（ステップＳ１２０３）。そして、習熟度推定装置２０１は、候補グループ数（ｎ1，ｎ2，…，ｎc）のうち選択されていない未選択の候補グループ数ｎiを選択する（ステップＳ１２０４）。
【0137】
つぎに、習熟度推定装置２０１は、分割した訓練データを特徴量に基づき、選択した候補グループ数ｎiのグループに分類する（ステップＳ１２０５）。そして、習熟度推定装置２０１は、分類した候補グループ数ｎiのグループに含まれるグループ内の訓練データが表す作業量の実測値に基づいて、特性曲線モデルＣｖに対するフィッティングを行うことにより、当該グループごとの特性曲線モデルＣｖと、各作業者の習熟度θとを算出する（ステップＳ１２０６）。
【0138】
つぎに、習熟度推定装置２０１は、分割したテストデータを特徴量に基づき、候補グループ数ｎiのグループのいずれかのグループに分類する（ステップＳ１２０７）。そして、習熟度推定装置２０１は、グループごとの特性曲線モデルＣｖから特定される作業量の推定値と、当該グループに分類されたテストデータが表す作業量の実測値との誤差を評価することにより、候補グループ数ｎiのグループについて、誤差評価値を算出する（ステップＳ１２０８）。
【0139】
つぎに、習熟度推定装置２０１は、候補グループ数（ｎ1，ｎ2，…，ｎc）のうち選択されていない未選択の候補グループ数があるか否かを判断する（ステップＳ１２０９）。ここで、未選択の候補グループ数がある場合（ステップＳ１２０９：Ｙｅｓ）、習熟度推定装置２０１は、ステップＳ１２０４に戻る。
【0140】
一方、未選択の候補グループ数がない場合（ステップＳ１２０９：Ｎｏ）、習熟度推定装置２０１は、候補グループ数（ｎ1，ｎ2，…，ｎc）のうち、算出した誤差評価値が最小となる候補グループ数ｎiを特定する（ステップＳ１２１０）。つぎに、習熟度推定装置２０１は、特定した候補グループ数ｎiのグループについて算出した各作業者の習熟度θを特定する（ステップＳ１２１１）。
【0141】
そして、習熟度推定装置２０１は、特定した各作業者の習熟度θを含む習熟度推定結果を出力して（ステップＳ１２１２）、本フローチャートによる一連の処理を終了する。これにより、習熟度推定装置２０１は、各作業者の習熟度θを精度よく推定することができる。
【0142】
以上説明したように、実施の形態２にかかる習熟度推定装置２０１によれば、複数の案件データを、訓練データとテストデータとに分割し、候補グループ数（ｎ1，ｎ2，…，ｎc）の各候補グループ数ｎiについて、分割した訓練データを特徴量に基づき候補グループ数ｎiのグループに分類することができる。また、習熟度推定装置２０１によれば、分類した候補グループ数ｎiのグループに含まれるグループ内の訓練データが表す作業量の実測値に基づいて、特性曲線モデルＣｖに対するフィッティングを行うことにより、当該グループごとの特性曲線モデルＣｖと、各作業者の習熟度θとを算出することができる。そして、習熟度推定装置２０１によれば、候補グループ数（ｎ1，ｎ2，…，ｎc）の各候補グループ数ｎiについて、算出したグループごとの特性曲線モデルＣｖから特定される作業量の推定値と、分割したテストデータのうち、当該グループに分類されるテストデータが表す作業量の実測値との誤差を評価することができる。習熟度推定装置２０１は、候補グループ数（ｎ1，ｎ2，…，ｎc）のうち、評価した誤差が最小となる候補グループ数ｎiのグループについて算出した各作業者の習熟度θを出力する。
【0143】
これにより、習熟度推定装置２０１は、複数の案件データを特性曲線へのフィッティング用の訓練データと誤差評価用のテストデータとに分けることで、過学習を防いで、各作業者の習熟度θの推定精度を向上させることができる。
【0144】
（実施の形態３）
つぎに、実施の形態３にかかる習熟度推定装置２０１について説明する。なお、実施の形態１，２で説明した箇所と同様の箇所については、図示および説明を省略する。
つぎに、実施の形態３にかかる習熟度推定装置２０１について説明する。なお、実施の形態１，２で説明した箇所と同様の箇所については、図示および説明を省略する。
【0145】
実施の形態２で説明したように、複数の案件データを用いて誤差評価を行うにあたり、グループを小さく分けるほど（グループ数が多いほど）、誤差が小さくなる、過学習になっている可能性がある。一方、グループ分け手法によっては、学習したモデル（データを分類したグループ）が、新しいデータのグループ分けには適用できない場合がある。新しいデータのグループ分けには適用できない手法としては、例えば、凝集型クラスタリングがある。
【0146】
そこで、実施の形態３では、習熟度推定装置２０１は、複数の案件データをグループ分けした後に、訓練データとテストデータとに分割し、訓練データで特性曲線モデルへのフィッティングを行い、テストデータで特性曲線モデルを誤差評価する。
【0147】
まず、図１３を用いて、習熟度推定装置２０１の動作例について説明する。なお、実施の形態３にかかる習熟度推定装置２０１の機能的構成例については、実施の形態１にかかる習熟度推定装置２０１の機能的構成例と同様のため図示を省略する。
【0148】
図１３は、実施の形態３にかかる習熟度推定装置２０１の動作例を示す説明図である。図１３において、習熟度推定装置２０１の分類部５０２は、候補グループ数（ｎ1，ｎ2，…，ｎc）の各候補グループ数ｎiについて、複数の案件データ１３１０を各候補グループ数ｎiのグループに分類する。
【0149】
つぎに、分類部５０２は、各候補グループ数ｎiについて、分類した各候補グループ数ｎiのグループに含まれるグループ内の案件データ１３１０を、訓練データ１３２０とテストデータ１３３０とに分割する。具体的には、例えば、分類部５０２は、グループ内の案件データ１３１０を訓練データ１３２０とテストデータ１３３０とにランダムに分割する。この際、分類部５０２は、特定の作業者の案件データ１３１０が、訓練データ１３２０やテストデータ１３３０に偏らないようにしてもよい。
【0150】
習熟度推定装置２０１の算出部５０３は、各候補グループ数ｎiについて、各候補グループ数ｎiのグループに含まれるグループごとの特性曲線モデルＣｖと、各作業者の習熟度θとを算出する。具体的には、例えば、算出部５０３は、各候補グループ数ｎiのグループに含まれるグループ内の案件データ１３１０のうち、分割された訓練データ１３２０が表す作業量の実測値に基づいて、特性曲線モデルＣｖに対するフィッティングを行う。これにより、算出部５０３は、グループごとの特性曲線モデルＣｖと、各作業者の習熟度θとを算出する。
【0151】
習熟度推定装置２０１の評価部５０４は、各候補グループ数ｎiについて、算出されたグループごとの特性曲線モデルＣｖから特定される作業量の推定値と、当該グループ内の案件データ１３１０のうち、分割されたテストデータ１３３０が表す作業量の実測値との誤差を評価する。
【0152】
具体的には、例えば、評価部５０４は、グループごとの特性曲線モデルＣｖから特定される作業量の推定値と、当該グループ内のテストデータ１３３０が表す作業量の実測値との誤差を評価することにより、各候補グループ数ｎiのグループについての誤差評価値を算出する。
【0153】
より詳細に説明すると、例えば、評価部５０４は、算出されたグループの特性曲線モデルＣｖと各作業者の習熟度θとから、各作業者の作業量の推定値を特定する。つぎに、評価部５０４は、特定した各作業者の作業量の推定値と、グループ内の各テストデータ１３３０が表す各作業者の実測値との誤差を累計することにより、グループの誤差の合計値を算出する。そして、評価部５０４は、算出したグループごとの誤差の合計値を足し合わせることにより、各候補グループ数ｎiのグループについての誤差評価値を算出する。
【0154】
習熟度推定装置２０１の出力部５０５は、候補グループ数（ｎ1，ｎ2，…，ｎc）のうち、評価された誤差が最小となる候補グループ数ｎiのグループについて算出された各作業者の習熟度θを出力する。具体的には、例えば、出力部５０５は、誤差評価値が最小となる候補グループ数ｎiのグループについて算出された各作業者の習熟度θを、習熟度推定結果１３４０として出力する。
【0155】
（習熟度推定装置２０１の習熟度推定処理手順）
つぎに、習熟度推定装置２０１の習熟度推定処理手順について説明する。
つぎに、習熟度推定装置２０１の習熟度推定処理手順について説明する。
【0156】
図１４は、実施の形態３にかかる習熟度推定装置２０１の習熟度推定処理手順の一例を示すフローチャートである。図１４において、習熟度推定装置２０１は、複数の案件データを取得する（ステップＳ１４０１）。つぎに、習熟度推定装置２０１は、候補グループ数（ｎ1，ｎ2，…，ｎc）を取得する（ステップＳ１４０２）。
【0157】
そして、習熟度推定装置２０１は、候補グループ数（ｎ1，ｎ2，…，ｎc）のうち選択されていない未選択の候補グループ数ｎiを選択する（ステップＳ１４０３）。つぎに、習熟度推定装置２０１は、複数の案件データを特徴量に基づき、選択した候補グループ数ｎiのグループに分類する（ステップＳ１４０４）。
【0158】
そして、習熟度推定装置２０１は、分類した候補グループ数ｎiのグループに含まれるグループ内の案件データを、訓練データとテストデータとに分割する（ステップＳ１４０５）。つぎに、習熟度推定装置２０１は、候補グループ数ｎiのグループに含まれるグループ内の案件データのうち、分割した訓練データが表す作業量の実測値に基づいて、特性曲線モデルＣｖに対するフィッティングを行うことにより、当該グループごとの特性曲線モデルＣｖと、各作業者の習熟度θとを算出する（ステップＳ１４０６）。
【0159】
そして、習熟度推定装置２０１は、グループごとの特性曲線モデルＣｖから特定される作業量の推定値と、当該グループ内の案件データのうち、分割したテストデータが表す作業量の実測値との誤差を評価することにより、候補グループ数ｎiのグループについて、誤差評価値を算出する（ステップＳ１４０７）。
【0160】
つぎに、習熟度推定装置２０１は、候補グループ数（ｎ1，ｎ2，…，ｎc）のうち選択されていない未選択の候補グループ数があるか否かを判断する（ステップＳ１４０８）。ここで、未選択の候補グループ数がある場合（ステップＳ１４０８：Ｙｅｓ）、習熟度推定装置２０１は、ステップＳ１４０３に戻る。
【0161】
一方、未選択の候補グループ数がない場合（ステップＳ１４０８：Ｎｏ）、習熟度推定装置２０１は、候補グループ数（ｎ1，ｎ2，…，ｎc）のうち、算出した誤差評価値が最小となる候補グループ数ｎiを特定する（ステップＳ１４０９）。つぎに、習熟度推定装置２０１は、特定した候補グループ数ｎiのグループについて算出した各作業者の習熟度θを特定する（ステップＳ１４１０）。
【0162】
そして、習熟度推定装置２０１は、特定した各作業者の習熟度θを含む習熟度推定結果を出力して（ステップＳ１４１１）、本フローチャートによる一連の処理を終了する。これにより、習熟度推定装置２０１は、各作業者の習熟度θを精度よく推定することができる。
【0163】
以上説明したように、実施の形態３にかかる習熟度推定装置２０１によれば、候補グループ数（ｎ1，ｎ2，…，ｎc）の各候補グループ数ｎiについて、複数の案件データを特徴量に基づき候補グループ数ｎiのグループに分類し、候補グループ数数ｎiのグループに含まれるグループ内の案件データを、訓練データとテストデータとに分割することができる。また、習熟度推定装置２０１によれば、分類した候補グループ数ｎiのグループに含まれるグループ内の案件データのうち、分割した訓練データが表す作業量の実測値に基づいて、特性曲線モデルＣｖに対するフィッティングを行うことにより、当該グループごとの特性曲線モデルＣｖと、各作業者の習熟度θとを算出することができる。そして、習熟度推定装置２０１によれば、候補グループ数（ｎ1，ｎ2，…，ｎc）の各候補グループ数ｎiについて、算出したグループごとの特性曲線モデルＣｖから特定される作業量の推定値と、当該グループ内の案件データのうち、分割したテストデータが表す作業量の実測値との誤差を評価することができる。習熟度推定装置２０１は、候補グループ数（ｎ1，ｎ2，…，ｎc）のうち、評価した誤差が最小となる候補グループ数ｎiのグループについて算出した各作業者の習熟度θを出力する。
【0164】
これにより、習熟度推定装置２０１は、複数の案件データを候補グループ数ｎiのグループに分類した上で、グループ内の案件データを特性曲線へのフィッティング用の訓練データと誤差評価用のテストデータとに分けることができる。このため、習熟度推定装置２０１は、新しいデータのグループ分けに学習したモデル（データを分類したグループ）を適用できないグループ分け手法を採用した場合であっても、過学習を防いで、各作業者の習熟度θの推定精度を向上させることができる。
【0165】
（実施の形態４）
つぎに、実施の形態４にかかる習熟度推定装置２０１について説明する。なお、実施の形態１～３で説明した箇所と同様の箇所については、図示および説明を省略する。
つぎに、実施の形態４にかかる習熟度推定装置２０１について説明する。なお、実施の形態１～３で説明した箇所と同様の箇所については、図示および説明を省略する。
【0166】
実施の形態４では、回帰木の手法により案件データをリーフに分け、リーフを単位としてグループ分けする習熟度推定方法について説明する。
【0167】
そこで、実施の形態４では、習熟度推定装置２０１は、複数の案件データをグループ分けした後に、訓練データとテストデータとに分割し、訓練データで特性曲線モデルへのフィッティングを行い、テストデータで特性曲線モデルを誤差評価する。
【0168】
まず、図１５を用いて、習熟度推定装置２０１の動作例について説明する。なお、実施の形態４にかかる習熟度推定装置２０１の機能的構成例については、実施の形態１にかかる習熟度推定装置２０１の機能的構成例と同様のため図示を省略する。
【0169】
図１５は、実施の形態４にかかる習熟度推定装置２０１の動作例を示す説明図である。図１５において、習熟度推定装置２０１の分類部５０２は、案件の処理にかかる作業量を目的変数とし、案件の特徴量を説明変数として、取得された複数の案件データ１５１０を回帰木により複数のリーフに分類する。回帰木（決定木）は、木構造によってデータを分類するための情報や手法である。回帰木では、目的変数の値が偏るように（値のばらつきが小さくなるよう）、データ領域を見つけていく。
【0170】
例えば、分類部５０２は、複数の異なる回帰木の深さそれぞれについて、作業量を目的変数とし、特徴量を説明変数として、当該深さの回帰木により、複数の案件データ１５１０を複数のリーフに分類する。回帰木の深さは、任意に設定可能である。回帰木の深さを制限することで、例えば、階層の深い複雑な回帰木ができるのを防いで過学習を防ぐことができる。
【0171】
以下の説明では、複数の異なる回帰木の深さを「候補深さ（ｄ1，ｄ2，…，ｄc）」と表記し、候補深さ（ｄ1，ｄ2，…，ｄc）のうちのいずれかの候補深さを「候補深さｄi」と表記する場合がある（ｉ＝１，２，…，Ｃ）。
【0172】
また、分類部５０２は、分類した候補深さｄiの複数のリーフそれぞれについて、リーフに属する案件データ１５１０が表す特徴量と作業量の実測値とに基づいて、リーフの座標を算出する。リーフの座標は、例えば、リーフに属する案件データ１５１０が表す特徴量の平均と、作業量の実測値の平均とによって表される。
【0173】
図４に示した案件データ４００－１～４００－３を例に挙げると、リーフの座標は、例えば、（トライ数の平均，特徴量１の平均，特徴量２の平均，特徴量３の平均）となる。トライ数の平均は、リーフに属する案件データが表すトライ数の平均値である。特徴量１の平均は、リーフに属する案件データが表す特徴量１の平均値である。特徴量２の平均は、リーフに属する案件データが表す特徴量２の平均値である。特徴量３の平均は、リーフに属する案件データが表す特徴量３の平均値である。
【0174】
そして、分類部５０２は、候補グループ数（ｎ1，ｎ2，…，ｎc）の各候補グループ数ｎiについて、算出したリーフの座標に基づいて、候補深さｄiの複数のリーフを各候補グループ数ｎiのグループに分類する。候補グループ数ｎiのグループは、例えば、候補深さｄiと候補グループ数ｎiとの組合せの数分生成される。
【0175】
リーフのグループ分け例については、図１６を用いて後述する。
【0176】
習熟度推定装置２０１の算出部５０３は、各候補グループ数ｎiについて、各候補グループ数ｎiのグループに含まれるグループ内のリーフが表す作業量の実測値（作業者ごとの値）に基づいて、特性曲線モデルＣｖに対するフィッティングを行う。これにより、算出部５０３は、当該グループごとの特性曲線モデルＣｖと、各作業者の習熟度θとを算出する。
【0177】
ここで、グループ内のリーフが表す作業量の実測値は、例えば、リーフに属する案件データ１５１０に基づく作業者ごとの作業量の実測値の平均である。また、グループ内のリーフが表す作業量の実測値は、リーフに属する個々の案件データ１５１０の作業量の実測値であってもよい。また、グループ内のリーフが表す作業量の実測値は、リーフの座標として求めた、リーフに属する案件データ１５１０が表す作業量の実測値の平均であってもよい。
【0178】
具体的には、例えば、算出部５０３は、候補グループ数ｎiのグループに含まれるグループ内の個々のリーフの座標（作業量の実測値の平均）と、特性曲線モデルＣｖとの誤差が小さくなるように、各作業者の習熟度θと、各グループの特性曲線モデルＣｖの係数ａ，ｂ，ｃをフィッティングにより推定する。また、算出部５０３は、候補グループ数ｎiのグループに含まれるグループ内のリーフに属する個々の案件データ１５１０の作業量と、特性曲線モデルＣｖとの誤差が小さくなるように、各作業者の習熟度θと、各グループの特性曲線モデルＣｖの係数ａ，ｂ，ｃをフィッティングにより推定してもよい。
【0179】
このように、算出部５０３は、フィッティングに用いる１データを、グループ内の各リーフの座標（作業量の実測値の平均）としてもよいし、グループ内のリーフに属する案件データ１５１０が表す作業量の実測値としてもよい。
【0180】
習熟度推定装置２０１の評価部５０４は、各候補グループ数ｎiについて、算出されたグループごとの特性曲線モデルＣｖから特定される作業量の推定値と、当該グループ内のリーフが表す作業量の実測値との誤差を評価する。
【0181】
具体的には、例えば、評価部５０４は、グループごとの特性曲線モデルＣｖから特定される作業量の推定値と、当該グループ内のリーフが表す作業量の実測値との誤差を評価することにより、各候補グループ数ｎiのグループについての誤差評価値を算出する。
【0182】
より詳細に説明すると、例えば、評価部５０４は、算出されたグループの特性曲線モデルＣｖと各作業者の習熟度θとから、各作業者の作業量の推定値を特定する。つぎに、評価部５０４は、特定した各作業者の作業量の推定値と、グループ内のリーフが表す各作業者の実測値との誤差を累計することにより、グループの誤差の合計値を算出する。そして、評価部５０４は、算出したグループごとの誤差の合計値を足し合わせることにより、各候補グループ数ｎiのグループについての誤差評価値を算出する。
【0183】
習熟度推定装置２０１の出力部５０５は、候補グループ数（ｎ1，ｎ2，…，ｎc）のうち、評価された誤差が最小となる候補グループ数ｎiのグループについて算出された各作業者の習熟度θを出力する。具体的には、例えば、出力部５０５は、誤差評価値が最小となる候補グループ数ｎiのグループについて算出された各作業者の習熟度θを、習熟度推定結果１５２０として出力する。
【0184】
（リーフのグループ分け例）
ここで、図１６を用いて、リーフのグループ分け例について説明する。ここでは、案件データが表す作業量の実測値を「トライ数」とし、案件データが表す特徴量を「特徴量Ｘ，Ｙ」とする。
ここで、図１６を用いて、リーフのグループ分け例について説明する。ここでは、案件データが表す作業量の実測値を「トライ数」とし、案件データが表す特徴量を「特徴量Ｘ，Ｙ」とする。
【0185】
図１６は、リーフのグループ分け例を示す説明図である。図１６において、Ｘ軸を「特徴量Ｘ」とし、Ｙ軸を「特徴量Ｙ」とし、Ｚ軸を「トライ数」とする座標系１６００において、案件データを表す点（図１６中、●）が表示されている。
【0186】
案件データは、トライ数を目的変数とし、特徴量Ｘ，Ｙを説明変数として、回帰木によりリーフに分類される。点線枠は、目的変数に応じて分けられたリーフの区切りを表す。各リーフの座標は、リーフに属する案件データが表すトライ数の平均と、特徴量Ｘ，Ｙの平均とである。トライ数と、特徴量Ｘ，Ｙとのスケールは、同程度の広がりを持つように座標変換するものとする。
【0187】
習熟度推定装置２０１は、リーフを単位としてクラスタリングする。ここでは、模様の違いよりグループの違い（クラスタリング結果）を表している。例えば、同一模様の領域（リーフに相当）１６０１，１６０２，１６０３，１６０４は、同一グループに属するリーフを表している。習熟度推定装置２０１は、トライ数のばらつきが小さいリーフ単位でクラスタリングすることで、トライ数の特徴を持ったグループに案件データを分類することができる。
【0188】
（習熟度推定装置２０１の習熟度推定処理手順）
つぎに、習熟度推定装置２０１の習熟度推定処理手順について説明する。
つぎに、習熟度推定装置２０１の習熟度推定処理手順について説明する。
【0189】
図１７は、実施の形態４にかかる習熟度推定装置２０１の習熟度推定処理手順の一例を示すフローチャートである。図１７において、習熟度推定装置２０１は、複数の案件データを取得する（ステップＳ１７０１）。つぎに、習熟度推定装置２０１は、候補グループ数（ｎ1，ｎ2，…，ｎc）と、候補深さ（ｄ1，ｄ2，…，ｄc）とを取得する（ステップＳ１７０２）。
【0190】
そして、習熟度推定装置２０１は、候補グループ数（ｎ1，ｎ2，…，ｎc）と候補深さ（ｄ1，ｄ2，…，ｄc）との組合せのうち選択されていない未選択の組合せ（ｎi，ｄi）を選択する（ステップＳ１７０３）。つぎに、習熟度推定装置２０１は、作業量を目的変数とし、特徴量を説明変数として、選択した候補深さｄiの回帰木により、複数の案件データを複数のリーフに分類する（ステップＳ１７０４）。
【0191】
そして、習熟度推定装置２０１は、分類した各リーフに属する案件データが表す特徴量と作業量の実測値とに基づいて、各リーフの座標を算出する（ステップＳ１７０５）。つぎに、習熟度推定装置２０１は、算出した各リーフの座標に基づき、複数のリーフを、選択した候補グループ数ｎiのグループに分類する（ステップＳ１７０６）。
【0192】
そして、習熟度推定装置２０１は、分類した候補グループ数ｎiのグループに含まれるグループ内のリーフが表す作業量の実測値に基づいて、特性曲線モデルＣｖに対するフィッティングを行うことにより、当該グループごとの特性曲線モデルＣｖと、各作業者の習熟度θとを算出する（ステップＳ１７０７）。
【0193】
そして、習熟度推定装置２０１は、グループごとの特性曲線モデルＣｖから特定される作業量の推定値と、当該グループ内のリーフが表す作業量の実測値との誤差を評価することにより、候補グループ数ｎiのグループについて、誤差評価値を算出する（ステップＳ１７０８）。
【0194】
つぎに、習熟度推定装置２０１は、候補グループ数（ｎ1，ｎ2，…，ｎc）と候補深さ（ｄ1，ｄ2，…，ｄc）との組合せのうち選択されていない未選択の組合せがあるか否かを判断する（ステップＳ１７０９）。ここで、未選択の組合せがある場合（ステップＳ１７０９：Ｙｅｓ）、習熟度推定装置２０１は、ステップＳ１７０３に戻る。
【0195】
一方、未選択の組合せがない場合（ステップＳ１７０９：Ｎｏ）、習熟度推定装置２０１は、候補グループ数（ｎ1，ｎ2，…，ｎc）と候補深さ（ｄ1，ｄ2，…，ｄc）との組合せのうち、算出した誤差評価値が最小となる組合せ（ｎi，ｄi）を特定する（ステップＳ１７１０）。つぎに、習熟度推定装置２０１は、特定した組合せ（ｎi，ｄi）のグループについて算出した各作業者の習熟度θを特定する（ステップＳ１７１１）。
【0196】
そして、習熟度推定装置２０１は、特定した各作業者の習熟度θを含む習熟度推定結果を出力して（ステップＳ１７１２）、本フローチャートによる一連の処理を終了する。これにより、習熟度推定装置２０１は、各作業者の習熟度θを精度よく推定することができる。
【0197】
以上説明したように、実施の形態４にかかる習熟度推定装置２０１によれば、案件の処理にかかる作業量を目的変数とし、案件の特徴量を説明変数として、複数の案件データを回帰木により複数のリーフに分類することができる。また、習熟度推定装置２０１によれば、分類した複数のリーフそれぞれについて、各リーフに属する案件データが表す特徴量と作業量の実測値とに基づいて、各リーフの座標を算出することができる。そして、習熟度推定装置２０１によれば、候補グループ数（ｎ1，ｎ2，…，ｎc）の各候補グループ数ｎiについて、算出した各リーフの座標に基づいて、複数のリーフを各候補グループ数ｎiのグループに分類することができる。また、習熟度推定装置２０１によれば、分類した候補グループ数ｎiのグループに含まれるグループ内のリーフの各作業者ごとの作業量の実測値に基づいて、特性曲線モデルＣｖに対するフィッティングを行うことにより、当該グループごとの特性曲線モデルＣｖと、各作業者の習熟度θとを算出することができる。そして、習熟度推定装置２０１によれば、候補グループ数（ｎ1，ｎ2，…，ｎc）の各候補グループ数ｎiについて、算出したグループごとの特性曲線モデルＣｖから特定される作業量の推定値と、当該グループ内のリーフが表す作業量の実測値との誤差を評価することができる。習熟度推定装置２０１は、候補グループ数（ｎ1，ｎ2，…，ｎc）のうち、評価した誤差が最小となる候補グループ数ｎiのグループについて算出した各作業者の習熟度θを出力する。
【0198】
これにより、習熟度推定装置２０１は、トライ数のばらつきが小さいリーフ単位でクラスタリングすることで、トライ数の特徴を持ったグループに案件データを分類することができ、各作業者の習熟度θの推定精度を向上させることができる。
【0199】
また、習熟度推定装置２０１によれば、候補深さ（ｄ1，ｄ2，…，ｄc）の各候補深さｄiについて、作業量を目的変数とし、特徴量を説明変数として、当該深さの回帰木により、複数の案件データを複数のリーフに分類することができる。
【0200】
これにより、習熟度推定装置２０１は、異なる深さの回帰木を用いた複数のパターンで案件データをリーフに分類しつつ、回帰木の深さを制限することで、階層の深い複雑な回帰木ができるのを防いで過学習を防ぐことができる。
【0201】
これらのことから、実施の形態１～４にかかる習熟度推定装置２０１によれば、例えば、企業や役所などの組織において、各職員が処理した案件の特徴量とトライ数から、各職員の習熟度を精度よく推定することができる。これにより、習熟度推定装置２０１は、各職員の習熟度を適切に把握して、各職員の業務支援や教育支援を行うことができる。
【0202】
例えば、特性曲線モデルＣｖは、案件の難易度と解釈することができる。分析者は、グループごとの特性曲線モデルＣｖを比較することで、グループに属する案件の難易度を相対的に評価することができる。このため、分析者は、新規の案件データを、学習したモデル（過去の案件データを分類したグループ）に適用することで、新規の案件データの難易度を評価することができる。分析者は、新規の案件データの難易度を評価することで、各職員の習熟度と合っている、または、各職員の成長を促すようなやや難しい案件を、各職員に優先的に割り当てることが可能となる。また、職員と案件の組み合わせで、トライ数が予測可能となるため、分析者は、例えば、全体のトライ数を最小化する割り当てを実現することができる。
【0203】
本習熟度推定方法は、例えば、自治体での住民税の賦課業務や、税金の滞納者への取り立て業務などに適用することができる。税金の滞納者への取り立て業務に適用する場合、案件の特徴量は、例えば、滞納者の特徴となる。また、案件の作業量は、滞納者の財産調査回数や、滞納者への督促回数などである。
【0204】
なお、本実施の形態で説明した習熟度推定方法は、予め用意されたプログラムをパーソナル・コンピュータやワークステーション等のコンピュータで実行することにより実現することができる。本習熟度推定プログラムは、ハードディスク、フレキシブルディスク、ＣＤ－ＲＯＭ、ＤＶＤ、ＵＳＢメモリ等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される。また、本習熟度推定プログラムは、インターネット等のネットワークを介して配布してもよい。
【0205】
また、本実施の形態で説明した情報処理装置１０１（習熟度推定装置２０１）は、スタンダードセルやストラクチャードＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）などの特定用途向けＩＣやＦＰＧＡなどのＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）によっても実現することができる。
【0206】
上述した実施の形態に関し、さらに以下の付記を開示する。
【0207】
（付記１）各作業者が処理した案件の特徴量と前記案件の処理にかかる作業量の実測値とをそれぞれ表す複数の案件データを取得し、
複数の異なる候補グループ数それぞれについて、取得した前記複数の案件データを前記特徴量に基づき前記候補グループ数のグループに分類し、
分類した前記候補グループ数のグループに含まれるグループ内の案件データが表す前記作業量の実測値に基づいて、作業者の習熟度と案件の処理にかかる作業量との関係を表す特性曲線モデルに対するフィッティングを行うことにより、当該グループごとの特性曲線モデルと、前記各作業者の習熟度とを算出し、
算出した前記グループごとの特性曲線モデルから特定される前記作業量の推定値と、当該グループ内の案件データが表す前記作業量の実測値との誤差を評価し、
前記複数の異なる候補グループ数のうち、評価した前記誤差が最小となる候補グループ数のグループについて算出した前記各作業者の習熟度を出力する、
処理をコンピュータが実行することを特徴とする習熟度推定方法。
複数の異なる候補グループ数それぞれについて、取得した前記複数の案件データを前記特徴量に基づき前記候補グループ数のグループに分類し、
分類した前記候補グループ数のグループに含まれるグループ内の案件データが表す前記作業量の実測値に基づいて、作業者の習熟度と案件の処理にかかる作業量との関係を表す特性曲線モデルに対するフィッティングを行うことにより、当該グループごとの特性曲線モデルと、前記各作業者の習熟度とを算出し、
算出した前記グループごとの特性曲線モデルから特定される前記作業量の推定値と、当該グループ内の案件データが表す前記作業量の実測値との誤差を評価し、
前記複数の異なる候補グループ数のうち、評価した前記誤差が最小となる候補グループ数のグループについて算出した前記各作業者の習熟度を出力する、
処理をコンピュータが実行することを特徴とする習熟度推定方法。
【0208】
（付記２）取得した前記複数の案件データを、訓練データとテストデータとに分割する、処理を前記コンピュータが実行し、
前記分類する処理は、
前記複数の異なる候補グループ数それぞれについて、分割した前記訓練データを前記特徴量に基づき前記候補グループ数のグループに分類し、
前記算出する処理は、
分類した前記候補グループ数のグループに含まれるグループ内の訓練データが表す前記作業量の実測値に基づいて、前記フィッティングを行うことにより、当該グループごとの特性曲線モデルと、前記各作業者の習熟度とを算出し、
前記評価する処理は、
算出した前記グループごとの特性曲線モデルから特定される前記作業量の推定値と、分割したテストデータのうち、当該グループに分類されるテストデータが表す前記作業量の実測値との誤差を評価する、
ことを特徴とする付記１に記載の習熟度推定方法。
前記分類する処理は、
前記複数の異なる候補グループ数それぞれについて、分割した前記訓練データを前記特徴量に基づき前記候補グループ数のグループに分類し、
前記算出する処理は、
分類した前記候補グループ数のグループに含まれるグループ内の訓練データが表す前記作業量の実測値に基づいて、前記フィッティングを行うことにより、当該グループごとの特性曲線モデルと、前記各作業者の習熟度とを算出し、
前記評価する処理は、
算出した前記グループごとの特性曲線モデルから特定される前記作業量の推定値と、分割したテストデータのうち、当該グループに分類されるテストデータが表す前記作業量の実測値との誤差を評価する、
ことを特徴とする付記１に記載の習熟度推定方法。
【0209】
（付記３）分類した前記候補グループ数のグループに含まれるグループ内の案件データを、訓練データとテストデータとに分割する、処理を前記コンピュータが実行し、
前記算出する処理は、
分類した前記候補グループ数のグループに含まれるグループ内の案件データのうち、分割した前記訓練データが表す前記作業量の実測値に基づいて、前記フィッティングを行うことにより、当該グループごとの特性曲線モデルと、前記各作業者の習熟度とを算出し、
前記評価する処理は、
算出した前記グループごとの特性曲線モデルから特定される前記作業量の推定値と、当該グループ内の案件データのうち、分割した前記テストデータが表す前記作業量の実測値との誤差を評価する、
ことを特徴とする付記１に記載の習熟度推定方法。
前記算出する処理は、
分類した前記候補グループ数のグループに含まれるグループ内の案件データのうち、分割した前記訓練データが表す前記作業量の実測値に基づいて、前記フィッティングを行うことにより、当該グループごとの特性曲線モデルと、前記各作業者の習熟度とを算出し、
前記評価する処理は、
算出した前記グループごとの特性曲線モデルから特定される前記作業量の推定値と、当該グループ内の案件データのうち、分割した前記テストデータが表す前記作業量の実測値との誤差を評価する、
ことを特徴とする付記１に記載の習熟度推定方法。
【0210】
（付記４）前記分類する処理は、
前記作業量を目的変数とし、前記特徴量を説明変数として、取得した前記複数の案件データを回帰木により複数のリーフに分類し、
前記複数のリーフそれぞれについて、前記リーフに属する案件データが表す前記特徴量と前記作業量の実測値とに基づいて、前記リーフの座標を算出し、
前記複数の異なる候補グループ数それぞれについて、算出した前記リーフの座標に基づいて、前記複数のリーフを前記候補グループ数のグループに分類し、
前記算出する処理は、
分類した前記候補グループ数のグループに含まれるグループ内のリーフが表す前記作業量の実測値に基づいて、前記フィッティングを行うことにより、当該グループごとの前記特性曲線モデルと、前記各作業者の習熟度とを算出し、
前記評価する処理は、
算出した前記グループごとの前記特性曲線モデルから特定される前記作業量の推定値と、当該グループ内のリーフが表す前記作業量の実測値との誤差を評価する、
ことを特徴とする付記１に記載の習熟度推定方法。
前記作業量を目的変数とし、前記特徴量を説明変数として、取得した前記複数の案件データを回帰木により複数のリーフに分類し、
前記複数のリーフそれぞれについて、前記リーフに属する案件データが表す前記特徴量と前記作業量の実測値とに基づいて、前記リーフの座標を算出し、
前記複数の異なる候補グループ数それぞれについて、算出した前記リーフの座標に基づいて、前記複数のリーフを前記候補グループ数のグループに分類し、
前記算出する処理は、
分類した前記候補グループ数のグループに含まれるグループ内のリーフが表す前記作業量の実測値に基づいて、前記フィッティングを行うことにより、当該グループごとの前記特性曲線モデルと、前記各作業者の習熟度とを算出し、
前記評価する処理は、
算出した前記グループごとの前記特性曲線モデルから特定される前記作業量の推定値と、当該グループ内のリーフが表す前記作業量の実測値との誤差を評価する、
ことを特徴とする付記１に記載の習熟度推定方法。
【0211】
（付記５）前記分類する処理は、
複数の異なる回帰木の深さそれぞれについて、前記作業量を目的変数とし、前記特徴量を説明変数として、前記深さの回帰木により、前記複数の案件データを複数のリーフに分類する、ことを特徴とする付記４に記載の習熟度推定方法。
複数の異なる回帰木の深さそれぞれについて、前記作業量を目的変数とし、前記特徴量を説明変数として、前記深さの回帰木により、前記複数の案件データを複数のリーフに分類する、ことを特徴とする付記４に記載の習熟度推定方法。
【0212】
（付記６）前記特性曲線モデルは、右下がりの２次曲線を表す関数である、ことを特徴とする付記１～５のいずれか一つに記載の習熟度推定方法。
【0213】
（付記７）各作業者が処理した案件の特徴量と前記案件の処理にかかる作業量の実測値とをそれぞれ表す複数の案件データを取得し、
複数の異なる候補グループ数それぞれについて、取得した前記複数の案件データを前記特徴量に基づき前記候補グループ数のグループに分類し、
分類した前記候補グループ数のグループに含まれるグループ内の案件データが表す前記作業量の実測値に基づいて、作業者の習熟度と案件の処理にかかる作業量との関係を表す特性曲線モデルに対するフィッティングを行うことにより、当該グループごとの特性曲線モデルと、前記各作業者の習熟度とを算出し、
算出した前記グループごとの特性曲線モデルから特定される前記作業量の推定値と、当該グループ内の案件データが表す前記作業量の実測値との誤差を評価し、
前記複数の異なる候補グループ数のうち、評価した前記誤差が最小となる候補グループ数のグループについて算出した前記各作業者の習熟度を出力する、
処理をコンピュータに実行させることを特徴とする習熟度推定プログラム。
複数の異なる候補グループ数それぞれについて、取得した前記複数の案件データを前記特徴量に基づき前記候補グループ数のグループに分類し、
分類した前記候補グループ数のグループに含まれるグループ内の案件データが表す前記作業量の実測値に基づいて、作業者の習熟度と案件の処理にかかる作業量との関係を表す特性曲線モデルに対するフィッティングを行うことにより、当該グループごとの特性曲線モデルと、前記各作業者の習熟度とを算出し、
算出した前記グループごとの特性曲線モデルから特定される前記作業量の推定値と、当該グループ内の案件データが表す前記作業量の実測値との誤差を評価し、
前記複数の異なる候補グループ数のうち、評価した前記誤差が最小となる候補グループ数のグループについて算出した前記各作業者の習熟度を出力する、
処理をコンピュータに実行させることを特徴とする習熟度推定プログラム。
【符号の説明】
【0214】
１０１ 情報処理装置
１１０，７１０，１１１０，１３１０，１５１０ 案件データ
１２０，７２０，１１４０，１３４０，１５２０ 習熟度推定結果
２００ 情報処理システム
２０１ 習熟度推定装置
２０２ ユーザ端末
２１０ ネットワーク
２２０ 案件データＤＢ
３００ バス
３０１ ＣＰＵ
３０２ メモリ
３０３ ディスクドライブ
３０４ ディスク
３０５ 通信Ｉ／Ｆ
３０６ 可搬型記録媒体Ｉ／Ｆ
３０７ 可搬型記録媒体
５００ 制御部
５０１ 取得部
５０２ 分類部
５０３ 算出部
５０４ 評価部
５０５ 出力部
６００ 誤差評価用テーブル
７１１，７１２，７１３，７２１，７２２，７２３ トライ数分布
８０１，８０２ トライ数分布テーブル
９０１，９０２ 特性曲線
１１２０，１３２０ 訓練データ
１１３０，１３３０ テストデータ
１１０，７１０，１１１０，１３１０，１５１０ 案件データ
１２０，７２０，１１４０，１３４０，１５２０ 習熟度推定結果
２００ 情報処理システム
２０１ 習熟度推定装置
２０２ ユーザ端末
２１０ ネットワーク
２２０ 案件データＤＢ
３００ バス
３０１ ＣＰＵ
３０２ メモリ
３０３ ディスクドライブ
３０４ ディスク
３０５ 通信Ｉ／Ｆ
３０６ 可搬型記録媒体Ｉ／Ｆ
３０７ 可搬型記録媒体
５００ 制御部
５０１ 取得部
５０２ 分類部
５０３ 算出部
５０４ 評価部
５０５ 出力部
６００ 誤差評価用テーブル
７１１，７１２，７１３，７２１，７２２，７２３ トライ数分布
８０１，８０２ トライ数分布テーブル
９０１，９０２ 特性曲線
１１２０，１３２０ 訓練データ
１１３０，１３３０ テストデータ
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8A】
【図8B】
【図9A】
【図9B】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】