特開 2024-1812 処理装置、処理方法及び処理プログラム

(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】P2024001812

(43)【公開日】2024-01-10

(54)【発明の名称】処理装置、処理方法及び処理プログラム

(51)【国際特許分類】

   G06F 16/9035 20190101AFI20231227BHJP

   G06F 16/904 20190101ALI20231227BHJP

【ＦＩ】

G06F16/9035

G06F16/904

【審査請求】未請求

【請求項の数】13

【出願形態】ＯＬ

(21)【出願番号】P 2022100706

(22)【出願日】2022-06-22

(71)【出願人】

【識別番号】399035766

【氏名又は名称】エヌ・ティ・ティ・コミュニケーションズ株式会社

(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】田上 翼

(72)【発明者】

【氏名】太田 光憲

(72)【発明者】

【氏名】泉 博明

(72)【発明者】

【氏名】梅田 建

【テーマコード（参考）】

5B175

【Ｆターム（参考）】

5B175DA01

5B175DA05

5B175HA01

(57)【要約】

【課題】客観的にユーザのプロファイル及びネットワークを作成し、作成したプロファイル及びネットワークを可視化して提供する。
【解決手段】処理装置１０は、ユーザと他のユーザとの会話の音声データ、及び／または、ユーザと他のユーザとの間におけるチャットデータを取得する取得部１３１と、プロファイル予測モデル１３３１に、取得部１３１が取得した音声データ及び／またはチャットデータに基づくデータを入力し、ユーザのプロファイルを予測するプロファイル予測部１３３と、ネットワーク予測モデル１３５１に、取得部１３１によって取得された音声データ及び／またはチャットデータに基づくデータを入力し、ユーザと他のユーザとのネットワークを予測するネットワーク予測部１３５と、ユーザのプロファイルの及びユーザのネットワーク可視化データを作成する可視化データ作成部１３６と、を有する。
【選択図】図２

【特許請求の範囲】

【請求項1】

ユーザと他のユーザとの会話の音声データ、及び／または、前記ユーザと他のユーザとの間におけるチャットデータを取得する取得部と、
会話の音声データ及び／またはチャットデータに基づくデータを用いてユーザの人となりの情報であるプロファイルを予測する第１のモデルに、前記取得部によって取得された前記音声データ及び／または前記チャットデータに基づくデータを入力し、前記ユーザのプロファイルを予測する第１の予測部と、
会話の音声データ及び／またはチャットデータに基づくデータを用いて人と人とのつながりの情報であるネットワークを予測する第２のモデルに、前記取得部によって取得された前記音声データ及び／または前記チャットデータに基づくデータを入力し、前記ユーザと他のユーザとのネットワークを予測する第２の予測部と、
前記ユーザのプロファイル及び前記ユーザのネットワークの可視化データを作成する作成部と、
を有することを特徴とする処理装置。

【請求項2】

前記第１のモデルは、訓練対象のユーザから得られたアンケートの回答結果に基づくプロファイル分析結果を、教師データとした機械学習を用いて訓練され、
前記第２のモデルは、訓練対象のユーザから得られたアンケートの回答結果に基づくネットワーク分析結果を、教師データとした機械学習を用いて訓練されることを特徴とする請求項１に記載の処理装置。

【請求項3】

前記取得部によって取得された前記音声データ及び／または前記チャットデータを、所定の特徴量に変換する変換部
をさらに有し、
前記第１の予測部は、前記変換部によって変換された特徴量を前記第１のモデルに入力し、
前記第２の予測部は、前記変換部によって変換された特徴量を前記第２のモデルに入力することを特徴とする請求項１に記載の処理装置。

【請求項4】

前記特徴量は、前記音声データ及び／または前記チャットデータの単語を数値ベクトルに変換した単語ベクトル系特徴量、前記音声データ及び／または前記チャットデータのうち感情を含む発話に関する感情系特徴量、及び／または、前記音声データ及び／または前記チャットデータに含まれる文のタイプを示す文タイプ系特徴量であることを特徴とする請求項３に記載の処理装置。

【請求項5】

前記文タイプ系特徴量は、情報提供、情報獲得及び指示に対応する特徴量を含み、
前記第２の予測部は、前記他のユーザへの総発言数に対する、前記情報提供、前記情報獲得及び前記指示に対応する前記ユーザの発話の割合の総和を算出し、算出した前記総和を基に、前記ユーザの前記他のユーザに対する依存度を取得し、取得した依存度を前記ユーザと前記他のユーザとのネットワークに追加することを特徴とする請求項４に記載の処理装置。

【請求項6】

前記感情系特徴量は、所定の感情に対応する特徴量を含み、
前記第２の予測部は、前記他のユーザへの総発言数に対する、前記所定の感情に対応する前記ユーザの発話の割合の総和を算出し、算出した前記総和を基に、前記ユーザの前記他のユーザに対する依存度を取得し、取得した依存度を前記ユーザと前記他のユーザとのネットワークに追加することを特徴とする請求項４に記載の処理装置。

【請求項7】

会話の音声データ及び／またはチャットデータに基づくデータを用いてユーザの会話時またはチャット時の状態を予測する第３のモデルに、前記取得部によって取得された前記音声データ及び／または前記チャットデータに基づくデータを入力し、前記ユーザの会話時またはチャット時の状態を予測する第３の予測部
をさらに有し、
前記作成部は、前記ユーザの状態を示す可視化データを作成することを特徴とする請求項１に記載の処理装置。

【請求項8】

前記第３のモデルは、訓練対象のユーザから得られたアンケートの回答結果に基づく状態分析結果を、教師データとした機械学習を用いて訓練されることを特徴とする請求項７に記載の処理装置。

【請求項9】

前記取得部によって取得された前記音声データ及び／または前記チャットデータを、所定の特徴量に変換する変換部
をさらに有し、
前記第３の予測部は、前記変換部によって変換された特徴量を前記第３のモデルに入力することを特徴とする請求項７に記載の処理装置。

【請求項10】

前記特徴量は、前記音声データ及び／または前記チャットデータの単語を数値ベクトルに変換した単語ベクトル系特徴量、前記音声データ及び／または前記チャットデータのうち感情を含む発話に関する感情系特徴量、及び／または、前記音声データ及び／または前記チャットデータに含まれる文のタイプを示す文タイプ系特徴量であることを特徴とする請求項９に記載の処理装置。

【請求項11】

前記ユーザのプロファイルと、ロールモデルのプロファイルと比して、前記ユーザに不足する能力をリコメンドするとともに、前記ユーザのネットワークと、ロールモデルのネットワークと比して、前記ユーザのネットワークと前記ロールモデルのネットワークとの差をリコメンドするリコメンド情報を作成するリコメンド部
をさらに有し、
前記作成部は、前記リコメンド情報の可視化データを作成することを特徴とする請求項１に記載の処理装置。

【請求項12】

処理装置が実行する処理方法であって、
ユーザと他のユーザとの会話の音声データ、及び／または、前記ユーザと他のユーザとの間におけるチャットデータを取得する工程と、
会話の音声データ及び／またはチャットデータに基づくデータを用いてユーザの人となりの情報であるプロファイルを予測する第１のモデルに、前記取得する工程において取得された音声データ及び／または前記チャットデータに基づくデータを入力し、前記ユーザのプロファイルを予測する工程と、
会話の音声データ及び／またはチャットデータに基づくデータを用いて人と人とのつながりの情報であるネットワークを予測する第２のモデルに、前記取得する工程において取得された前記音声データ及び／または前記チャットデータに基づくデータを入力し、前記ユーザと他のユーザとのネットワークを予測する工程と、
前記ユーザのプロファイル及び前記ユーザのネットワークの可視化データを作成する工程と、
を含んだことを特徴とする処理方法。

【請求項13】

ユーザと他のユーザとの会話の音声データ、及び／または、前記ユーザと他のユーザとの間におけるチャットデータを取得するステップと、
会話の音声データ及び／またはチャットデータに基づくデータを用いてユーザの人となりの情報であるプロファイルを予測する第１のモデルに、前記取得するステップにおいて取得された音声データ及び／または前記チャットデータに基づくデータを入力し、前記ユーザのプロファイルを予測するステップと、
会話の音声データ及び／またはチャットデータに基づくデータを用いて人と人とのつながりの情報であるネットワークを予測する第２のモデルに、前記取得するステップにおいて取得された前記音声データ及び／または前記チャットデータに基づくデータを入力し、前記ユーザと他のユーザとのネットワークを予測するステップと、
前記ユーザのプロファイル及び前記ユーザのネットワークの可視化データを作成するステップと、
をコンピュータに実行させるための処理プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、処理装置、処理方法及び処理プログラムに関する。

【背景技術】

【0002】

従来、アンケートは、広く利用されている。例えば、多数の回答者から得られたアンケートの回答結果は、マーケティングや商品宣伝に利用される。また、あるユーザにアンケートを回答してもらうことによって、そのユーザの人となりの情報（プロファイル）を生成する方法もある。ユーザのプロファイルは、そのユーザに対する評価や、研修の選定等に利用される。

【0003】

また、従来、キーワードに関するユーザ間の人間関係をマップ表示するシステムがある。このシステムでは、例えば、ユーザが、登録等を行ったデータを基に、ユーザの属性情報を登録し、任意のキーワードによってユーザが検索されると、このキーワードを属性情報として有する別のユーザを表示することで、ユーザ間の人間関係をマップ表示する。このようなマップは、組織のパフォーマンス向上対策、チームへの業務割り当て、人員異動等に利用される。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２０２０－０８７４２７号公報

【特許文献2】特開２０１９－１６９１１２号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

従来技術によって作成されるプロファイルは、ユーザによるアンケート回答に基づくものであり、ユーザの主観によるところが大きい。このため、従来の方法では、ユーザ本人が気づいていない、客観的にユーザのプロファイルを収集することができなかった。したがって、従来技術では、正しくユーザを評価することができない場合や、ユーザ自身の改善点が不明確であり、ユーザのパフォーマンス向上に繋げることができない場合があった。

【0006】

また、従来技術によって作成される人間関係マップは、ユーザが自分で登録等を行ったデータのみを用いて作成された限定的なものであり、日々構築される人と人との間のつながりを正しく捉えたものとはいえない。このため、従来技術によって作成される人間関係マップを用いて、組織のパフォーマンス向上の対策が難しい場合があった。

【0007】

また、ユーザのパフォーマンスは、ユーザのプロファイルと、ユーザのネットワークとの双方が関連するため、ユーザや組織のパフォーマンス向上の対策を検討する際に、ユーザのプロファイルと、ユーザのネットワークとを併せて確認したいという要望があった。

【0008】

本発明は、上記に鑑みてなされたものであって、客観的にユーザのプロファイル及びネットワークを作成し、作成したプロファイル及びネットワークを可視化して提供することができる処理装置、処理方法及び処理プログラムを提供することを目的とする。

【課題を解決するための手段】

【0009】

上述した課題を解決し、目的を達成するために、処理装置は、ユーザと他のユーザとの会話の音声データ、及び／または、前記ユーザと他のユーザとの間におけるチャットデータを取得する取得部と、会話の音声データ及び／またはチャットデータに基づくデータを用いてユーザの人となりの情報であるプロファイルを予測する第１のモデルに、前記取得部によって取得された前記音声データ及び／または前記チャットデータに基づくデータを入力し、前記ユーザのプロファイルを予測する第１の予測部と、会話の音声データ及び／またはチャットデータに基づくデータを用いて人と人とのつながりの情報であるネットワークを予測する第２のモデルに、前記取得部によって取得された前記音声データ及び／または前記チャットデータに基づくデータを入力し、前記ユーザと他のユーザとのネットワークを予測する第２の予測部と、前記ユーザのプロファイル及び前記ユーザのネットワークの可視化データを作成する作成部と、を有することを特徴とする。

【発明の効果】

【0010】

本発明によれば、客観的にユーザのプロファイル及びネットワークを作成し、作成したプロファイル及びネットワークを可視化して提供することができる。

【図面の簡単な説明】

【0011】

【図1】図１は、実施の形態に係る処理装置の処理を説明する図である。

【図2】図２は、実施の形態に係る処理装置の構成の一例を模式的に示す図である。

【図3】図３は、プロファイル予測モデル、状態予測モデル及びネットワーク予測モデルの構築の一例について説明する図である。

【図4】図４は、プロファイル予測モデル、状態予測モデル及びネットワーク予測モデルの構築の一例について説明する図である。

【図5】図５は、文タイプ系特徴量を示す図である。

【図6】図６は、感情系特徴量を示す図である。

【図7】図７は、プロファイル予測部が予測するユーザのプロファイル項目を示す図である。

【図8】図８は、文タイプ系特徴量と、予測対象のユーザの発話相手への総発言数に対する各発話種別の発言の割合との一例を示す図である。

【図9】図９は、感情系特徴量と、予測対象のユーザの発話相手への総発言数に対する各発話種別の発言の割合との一例を示す図である。

【図10】図１０は、可視化データの一例を示す図である。

【図11】図１１は、可視化データの一例を示す図である。

【図12】図１２は、可視化データの一例を示す図である。

【図13】図１３は、リコメンド情報の一例を示す図である。

【図14】図１４は、実施の形態における訓練処理の処理手順を示す図である。

【図15】図１５は、実施の形態における予測処理の処理手順を示す図である。

【図16】図１６は、プログラムを実行するコンピュータの一例を示す図である。

【発明を実施するための形態】

【0012】

以下、図面を参照して、本発明の一実施形態を詳細に説明する。なお、この実施形態により本発明が限定されるものではない。また、図面の記載において、同一部分には同一の符号を付して示している。

【0013】

［実施の形態］
図１は、実施の形態に係る処理装置の処理を説明する図である。本実施の形態に係る処理装置１０は、業務におけるコミュニケーション情報、例えば、ユーザと他のユーザとの会話の音声データ、及び／または、ユーザと他のユーザとの間におけるチャットデータを入力とする（図１の（１））。具体的には、処理装置１０は、ユーザと他のユーザとのＷｅｂ会議での発言データＤ１、ユーザと他のユーザとの間におけるチャットでの発言データＤ２を入力とする。

【0014】

処理装置１０は、入力された会話の音声データ及び／またはチャットデータに基づくデータを基に、発話者（ユーザ）のプロファイルを予測する（図１の（２））。処理装置１０は、入力された会話の音声データ及び／またはチャットデータを基に、ユーザのプロファイルを予測するよう訓練されたプロファイル予測モデル（第１のモデル）を用いる。ユーザのプロファイルは、人となりの情報であり、例えば、ユーザの性格特性、ビジネススキル、技術スキル及び／またはコミュニケーションタイプ等を表す情報である。

【0015】

また、処理装置は、ユーザと他のユーザとの会話の音声データ、及び／または、ユーザと他のユーザとの間におけるチャットデータに基づくデータを基に、ユーザの状態を予測する（図１の（２））。処理装置１０は、入力された会話の音声データ及び／またはチャットデータを基に、会話時またはチャット時のユーザの状態を予測するよう訓練された状態予測モデル（第３のモデル）を用いる。

【0016】

処理装置１０は、入力された会話の音声データ及び／またはチャットデータに基づくデータを基に、発話者（ユーザ）と他のユーザとのネットワークを予測する（図１の（２））。処理装置１０は、入力された会話の音声データ及び／またはチャットデータを基にネットワークを予測するよう訓練されたネットワーク予測モデル（第２のモデル）を用いる。ネットワークは、人と人とのつながりの情報である。ネットワークとして、例えば、スキル、知識、趣味等の共通項によってつながるユーザと他のユーザとを示すネットワークや、つながりを有するユーザ間の依存度を表したネットワークがある。

【0017】

そして、処理装置１０は、ユーザのプロファイル、状態、ネットワークを可視化し（図１の（３））、可視化した可視化データを、ユーザやユーザが属する組織に提供する。例えば、ユーザが使用する棚末装置の画面には、ユーザのプロファイル３０と、ユーザの社員個人・組織間の関係を示すネットワーク４０とを含む予測結果２０が表示される。

【0018】

さらに、処理装置１０は、ユーザとロールモデルとの間で、プロファイル及びネットワークを比較して、ユーザとロールモデルとの差をリコメンドする。

【0019】

［処理装置］
図２は、実施の形態に係る処理装置の構成の一例を模式的に示す図である。図２に示すように、処理装置１０は、各種情報に関する通信を制御する通信部１１、制御部１３による各種処理に必要なデータおよびプログラムを格納する記憶部１２、及び、種々の処理を実行する制御部１３を有する。

【0020】

通信部１１は、ネットワーク等を介して接続された他の装置との間で、各種情報を送受信する通信インタフェースである。通信部１１は、ＮＩＣ（Network Interface Card）等で実現され、ＬＡＮ（Local Area Network）やインターネットなどの電気通信回線を介した他の装置（例えば、ユーザが使用する端末装置）と制御部１３（後述）との間の通信を行う。

【0021】

記憶部１２は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）等の記憶装置である。なお、記憶部１２は、ＲＡＭ（Random Access Memory）、フラッシュメモリ、ＮＶＳＲＡＭ（Non Volatile Static Random Access Memory）等のデータを書き換え可能な半導体メモリであってもよい。記憶部１２は、処理装置１０で実行されるＯＳ（Operating System）や各種プログラムを記憶する。さらに、記憶部１２は、プログラムの実行で用いられる各種情報を記憶する。

【0022】

記憶部１２は、ユーザ情報１２１、音声データ１２２、チャットデータ１２３、特徴量情報１２４、アンケート分析結果１２５、事後アンケート結果１２６及びリコメンド作成用情報１２７を記憶する。

【0023】

ユーザ情報１２１は、各ユーザの識別情報、属性、所属先、ビジネススキル、技術スキル、業務履歴、過去の処理装置１０による予測結果、アンケート回答等を含む。

【0024】

音声データ１２２は、ユーザ間の会話の音声データであり、例えば、Ｗｅｂ会議の音声データである。音声データ１２２は、予測対象であるユーザと他のユーザとの会話の音声データである。また、音声データ１２２は、プロファイル予測モデル１３３１（後述）、状態予測モデル１３４１（後述）及びネットワーク予測モデル１３５１の訓練用データとして、訓練対象のユーザと他のユーザとの間で行われた会話の音声データを含む。

【0025】

チャットデータ１２３は、ユーザ間のチャットデータである。チャットデータ１２３は、予測対象であるユーザと他のユーザとの間のチャットデータを含む。音声データ１２２は、プロファイル予測モデル１３３１、状態予測モデル１３４１及びネットワーク予測モデル１３５１の訓練用データとして、訓練対象のユーザと他のユーザとの間で行われたチャットデータを含む。

【0026】

特徴量情報１２４は、ユーザ間の会話の音声データの特徴量、及び／または、ユーザ間のチャットデータの特徴量である。特徴量は、例えば、音声データ及び／またはチャットデータの単語を数値ベクトルに変換した単語ベクトル系特徴量、音声データ及び／またはチャットデータのうち感情を含む発話に関する感情系特徴量、及び／または、音声データ及び／またはチャットデータに含まれる文のタイプを示す文タイプ系特徴量である。

【0027】

アンケート分析結果１２５は、情報収集対象者に対して実施されたアンケートのアンケート回答に基づくプロファイル分析結果及びネットワーク分析結果である。例えば、アンケート項目として、属性、心理、ヘルスケア、認知バイアスに関する各種項目が設定される。

【0028】

アンケート分析結果１２５は、例えば、人間情報データベース（登録商標）等が分析した情報収集対象者のプロファイル及びネットワークを含む。例えば、プロファイル項目として、行動力、思考力、マインド、コミュニケーション力及びチャレンジの大カテゴリがある。そして、大カテゴリには、プロファイル項目が設定されており、例えば、行動力には、スピード、リーダーシップのプロファイル項目がある。ネットワークとして、スキル、知識、趣味等の共通項によるネットワークや、ユーザ間の依存度を表したネットワークがある。

【0029】

アンケート分析結果１２５は、アンケートの質問及び回答の文言から変換された各種特徴量と、分析結果である情報収集対象者のプロファイル、ネットワークとが対応付けられたものである。特徴量は、例えば、単語ベクトル系特徴量、感情系特徴量、文タイプ系特徴量である。なお、これらのアンケート回答のうち、個人情報に関する回答については匿名加工等の処理が実行されている。

【0030】

事後アンケート結果１２６は、訓練対象のユーザと他のユーザとの間の会話（例えば、Ｗｅｂ会議）及び／またはチャットの後に、会話及び／またはチャットを実際に行ったユーザに対して、会話及び／またはチャット後に実施されたアンケートの回答結果に基づく状態分析結果及びネットワーク分析結果である。例えば、アンケート項目として、属性、心理、ヘルスケア、認知バイアスに関する各種項目が設定される。

【0031】

事後アンケート結果１２６は、アンケートの質問及び回答の文言から変換された各種特徴量と、アンケートに回答したユーザの状態、ネットワークとが、ユーザ毎に対応付けられたものである。特徴量は、例えば、単語ベクトル系特徴量、感情系特徴量、文タイプ系特徴量である。なお、これらのアンケート回答のうち、個人情報に関する回答については匿名加工等の処理が実行されている。

【0032】

リコメンド作成用情報１２７は、ユーザとロールモデルとの間でプロファイル及び／またはネットワークに差がある場合にユーザの不足点をリコメンドするリコメンド情報が作成される際に使用されるデータである。

【0033】

リコメンド作成用情報１２７には、例えば、能力ごとに、所定の閾値或いは比較対象のロールモデルの能力値よりも下回る場合に提示すべきリコメンド情報が予め設定される。リコメンド情報は、ユーザの能力向上のために、ユーザに推奨する具体的な方法を含む情報である。リコメンド情報は、例えば、コミュニケーション力が不足するユーザについては、このユーザが参加するＷｅｂ会議中において、所定期間ユーザの発言がない場合には、ユーザが使用する端末装置に、発言を働きかける表示を実行させる等の制御情報を含む。

【0034】

また、リコメンド作成用情報１２７には、例えば、ユーザにリコメンドするためのネットワーク向上のための具体的な複数の方法を含む。リコメンドする方法は、ユーザのネットワークとロールモデルのネットワークにおける媒介中心性、次数中心性等の指標の差分が所定の閾値よりも大きい際に、所定ルールにしたがって選択される。

【0035】

制御部１３は、処理装置１０全体を制御する。制御部１３は、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）等の電子回路や、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）等の集積回路である。また、制御部１３は、各種の処理手順を規定したプログラムや制御データを格納するための内部メモリを有し、内部メモリを用いて各処理を実行する。また、制御部１３は、各種のプログラムが動作することにより各種の処理部として機能する。

【0036】

制御部１３は、取得部１３１、特徴量変換部１３２（変換部）、プロファイル予測部１３３（第１の予測部）、状態予測部１３４（第３の予測部）、ネットワーク予測部１３５（第２の予測部）、可視化データ作成部１３６（作成部）、リコメンド部１３７及び訓練部１３８を有する。

【0037】

取得部１３１は、予測処理時には、予測対象であるユーザと他のユーザとの会話の音声データ、及び／または、予測対象であるユーザと他のユーザとの間におけるチャットデータを取得する。

【0038】

取得部１３１は、プロファイル予測モデル１３３１、状態予測モデル１３４１及びネットワーク予測モデル１３５１の訓練時には、プロファイル予測モデル１３３１、状態予測モデル１３４１及びネットワーク予測モデル１３５１の訓練用データとしてとして、訓練対象のユーザと他のユーザとの間で行われた会話の音声データ、及び／または、訓練対象のユーザと他のユーザとの間で行われたチャットデータを取得する。この際、取得部１３１は、会話データ及び／またはチャットデータの発言が、予測対象であるユーザ及び他のユーザのいずれによる発言であるか、誰から誰に対する発言であるかを分類した上で、特徴量変換部１３２に出力する。

【0039】

特徴量変換部１３２は、取得部１３１が取得した音声データ及び／またはチャットデータを、所定の特徴量に変換する。特徴量変換部１３２は、音声データ及び／またはチャットデータのうち、予測対象であるユーザによる発言についてのみ特徴量変換を行う他、ユーザ及び他のユーザの発言の双方について特徴量変換を行う。そして、特徴量変換部１３２は、各特徴量に、この特徴量に対応する発言が、予測対象であるユーザ及び他のユーザのいずれによる発言であるか、誰から誰に対する発言であるかを示すfrom-to情報を付与する。

【0040】

特徴量変換部１３２は、例えば、音声データ及び／またはチャットデータを単語ベクトル系特徴量に変換する。特徴量変換部１３２は、音声データ及び／またはチャットデータのうち感情を含む発話に関する感情系特徴量を取得する。特徴量変換部１３２は、例えば、音声データ及び／またはチャットデータを基に、音声データ及び／またはチャットデータに含まれる文のタイプを示す文タイプ系特徴量を取得する。文タイプ系特徴量は、情報提供、情報獲得及び指示に対応する特徴量を含む。

【0041】

プロファイル予測部１３３は、取得部１３１が取得した音声データ及び／またはチャットデータに基づくデータを用いて、予測対象であるユーザのプロファイルを予測する。プロファイル予測部１３３は、会話の音声データ及び／またはチャットデータに基づくデータを用いてユーザのプロファイルを予測するプロファイル予測モデル１３３１を有する。

【0042】

プロファイル予測部１３３は、取得部１３１が取得した予測対象のユーザの音声データ及び／またはチャットデータに基づくデータを、プロファイル予測モデル１３３１に入力する。

【0043】

プロファイル予測部１３３は、特徴量変換部１３２によって変換された特徴量を、プロファイル予測モデル１３３１に入力する。プロファイル予測モデル１３３１に入力される各特徴量は、この特徴量に対応する発言が、誰から誰に対する発言であるかを示す情報が付与されている。このため、プロファイル予測モデル１３３１は、特徴量に付与された情報を基に、どのユーザ間がつながるかを判別することができる。プロファイル予測モデル１３３１は、入力された各特徴量を基に、ユーザのプロファイルを予測する。プロファイル予測部１３３は、プロファイル予測モデル１３３１から出力された、予測対象のユーザのプロファイルを取得する。

【0044】

プロファイル予測モデル１３３１は、例えば、訓練対象のユーザから得られたアンケートの回答結果に基づくプロファイル分析結果を、教師データとした、機械学習を用いて訓練される。教師データは、会話及び／またはチャットを実際に行った訓練対象のユーザに対して、会話及び／またはチャット後に実施されたアンケートの回答結果を、人間情報データベース等が分析したユーザのプロファイルである。教師データは、例えば、アンケート分析結果１２５である。アンケート分析結果１２５は、例えば、アンケートの質問及び回答の文言から変換された各種特徴量と、分析結果であるユーザのプロファイルとが対応付けられたものである。

【0045】

状態予測部１３４は、取得部１３１が取得した音声データ及び／またはチャットデータに基づくデータを用いて、予測対象であるユーザの会話時またはチャット時の状態を予測する。状態予測部１３４は、会話の音声データ及び／またはチャットデータに基づくデータを用いてユーザの会話時またはチャット時の状態を予測する状態予測モデル１３４１を有する。

【0046】

状態予測部１３４は、取得部１３１が取得した予測対象のユーザの音声データ及び／またはチャットデータに基づくデータを、状態予測モデル１３４１に入力する。状態予測部１３４は、特徴量変換部１３２によって変換された特徴量を、状態予測モデル１３４１に入力する。状態予測モデル１３４１に入力される各特徴量は、この特徴量に対応する発言が、誰から誰に対する発言であるかを示す情報が付与されている。このため、状態予測モデル１３４１は、特徴量に付与された情報を基に、どのユーザ間がつながるかを判別することができる。状態予測モデル１３４１は、入力された各特徴量を基に、ユーザの状態を予測する。状態予測部１３４は、状態予測モデル１３４１から出力された、予測対象のユーザの状態を取得する。

【0047】

状態予測モデル１３４１は、例えば、訓練対象のユーザから得られた事後アンケートの回答結果に基づく状態分析結果を、教師データとした、機械学習を用いて訓練される。教師データは、会話及び／またはチャットを実際に行った訓練対象のユーザに対して、会話及び／またはチャット後に実施された事後アンケートの回答結果を、人間情報データベース等が分析したユーザの状態である。教師データは、例えば、事後アンケート結果１２６である。事後アンケート結果１２６は、例えば、アンケートの質問及び回答の文言から変換された各種特徴量と、分析結果であるユーザのプロファイルとが対応付けられたものである。

【0048】

ネットワーク予測部１３５は、取得部１３１が取得した音声データ及び／またはチャットデータに基づくデータを用いて、予測対象であるユーザのネットワークを予測する。ネットワーク予測部１３５は、会話の音声データ及び／またはチャットデータに基づくデータを用いてユーザのネットワークを予測するネットワーク予測モデル１３５１を有する。

【0049】

ネットワーク予測部１３５は、取得部１３１が取得した予測対象のユーザの音声データ及び／またはチャットデータに基づくデータを、ネットワーク予測モデル１３５１に入力する。

【0050】

ネットワーク予測部１３５は、特徴量変換部１３２によって変換された特徴量を、ネットワーク予測モデル１３５１に入力する。ネットワーク予測モデル１３５１に入力される各特徴量は、この特徴量に対応する発言が、誰から誰に対する発言であるかを示す情報が付与されている。このため、ネットワーク予測モデル１３５１は、特徴量に付与された情報を基に、どのユーザ間がつながるかを判別することができる。ネットワーク予測モデル１３５１は、入力された各特徴量を基に、ユーザのネットワークを予測する。ネットワーク予測部１３５は、ネットワーク予測モデル１３５１から出力された、予測対象のユーザのネットワークを取得する。

【0051】

ネットワーク予測モデル１３５１は、例えば、訓練対象のユーザから得られたアンケートの回答結果に基づくネットワーク分析結果を、教師データとした、機械学習を用いて訓練される。教師データは、会話及び／またはチャットを実際に行った訓練対象のユーザに対して、会話及び／またはチャット後に実施されたアンケートの回答結果を、人間情報データベース等が分析したユーザのプロファイルである。

【0052】

教師データは、例えば、アンケート分析結果１２５または事後アンケート結果１２６である。アンケート分析結果１２５及び事後アンケート結果１２６は、例えば、アンケートの質問及び回答の文言から変換された各種特徴量と、分析結果であるユーザと他のユーザとのネットワークとが対応付けられたものである。ネットワークは、ユーザ間のつながりの有無と、つながりを有する共通項（スキル、知識、趣味等）と、依存度とを含む。ネットワーク予測モデル１３５１は、ネットワークとして、ユーザ間のつながりの有無と、つながりを有する共通項（スキル、知識、趣味等）と、依存度とを含む情報を出力する。

【0053】

可視化データ作成部１３６は、プロファイル予測部１３３によって予測されたユーザのプロファイルの可視化データを作成する。可視化データ作成部１３６は、状態予測部１３４によって予測されたユーザの状態を示す可視化データを作成する。可視化データ作成部１３６は、ネットワーク予測部１３５によって予測されたユーザのネットワークの可視化データを作成する。

【0054】

可視化データ作成部１３６は、作成した可視化データを、例えば、予測対象のユーザが使用する端末装置に表示出力させる。また、可視化データ作成部１３６は、リコメンド部１３７によって作成されたリコメンド情報の可視化データを作成し、作成した可視化データを、例えば、予測対象のユーザが使用する端末装置に表示出力させる。

【0055】

リコメンド部１３７は、予測対象のユーザのプロファイルと、ロールモデルのプロファイルと比して、ユーザに不足する能力をリコメンドするとともに、ユーザのネットワークと、ロールモデルのネットワークと比して、ユーザのネットワークとロールモデルのネットワークとの差をリコメンドするリコメンド情報を作成する。リコメンド部１３７は、リコメンド作成用情報１２７を参照し、ユーザに不足する能力に対応するリコメンド情報を作成する。そして、リコメンド部１３７は、リコメンド作成用情報１２７を参照し、ユーザのネットワークとロールモデルのネットワークとの差とともに、ユーザのネットワーク向上に関する具体的な方法をリコメンドするリコメンド情報を作成する。

【0056】

リコメンド部１３７は、ユーザのプロファイル及びロールモデルのプロファイルと、ユーザのネットワーク及びロールモデルのネットワークとが入力されると、ユーザに不足する能力を示すとともに、ユーザに不足する能力を向上させるために要する具体的な内容と、ユーザのネットワークとロールモデルのネットワークとの差を示すとともに、ユーザのネットワーク向上に関する方法を出力するよう訓練されたモデルを用いてもよい。

【0057】

訓練部１３８は、プロファイル予測モデル１３３１を、例えば、訓練対象ユーザから得られたアンケートの回答結果に基づくプロファイル分析結果を、教師データとした機械学習を用いて訓練する。また、訓練部１３８は、例えば、状態予測モデルは、訓練対象のユーザから得られたアンケート（例えば、事後アンケート結果１２６）の回答結果に基づく状態分析結果を、教師データとした機械学習を用いて訓練する。訓練部１３８は、ネットワーク予測モデル１３５１を、例えば、訓練対象ユーザから得られたアンケートの回答結果に基づくネットワーク分析結果を、教師データとした、機械学習を用いて訓練する。

【0058】

［モデル構築］
図３及び図４は、プロファイル予測モデル１３３１、状態予測モデル１３４１及びネットワーク予測モデル１３５１の構築の一例について説明する図である。プロファイル予測モデル１３３１、状態予測モデル１３４１及びネットワーク予測モデル１３５１の構築において、例えば、人間情報データベースを用いたアンケートと、1on1ミーティングでの会話から取得した文字起こしファイルに基づく特徴量とを用いる。

【0059】

具体的には、教師データとして使用するために、ユーザＭに、プロファイル取得用のＷｅｂアンケートを実施し、その回答を取得する（図３の（１））。この回答を基に、ユーザＭのプロファイル及びネットワークが分析される。処理装置１０は、分析されたユーザＭのプロファイルを、プロファイル予測モデル１３３１の教師データとして取得する。処理装置１０は、分析されたユーザＭのネットワークを、ネットワーク予測モデル１３５１の教師データとする。

【0060】

続いて、処理装置１０は、ユーザＭと他のユーザとの間のＷｅｂ会議データを取得する（図３の（２））。例えば、ユーザＭがフォロワーであり、他のユーザがファシリテータとして参加する1on1ミーティングを実施し、各ユーザの発話の音声データを取得する。その後、ユーザＭ及びファシリテータであるユーザに対し、メンタル等の状態、スキル、知識、趣味、依存度について事後アンケートをＷｅｂ上で実施し、その回答を基にユーザＭの状態、及び、ユーザＭとファシリテータであるユーザとのネットワークを取得する（図３の（３））。

【0061】

処理装置１０は、事後アンケートの回答を基に取得したユーザＭの状態を、状態予測モデル１３４１の教師データとする。処理装置１０は、事後アンケートの回答を基に取得したユーザＭのネットワークも、ネットワーク予測モデル１３５１の教師データとする。

【0062】

そして、処理装置１０は、取得したＷｅｂ会議での音声データを特徴量に変換する（図３の（４））。処理装置１０は、変換した特徴量をプロファイル予測モデル１３３１、状態予測モデル１３４１及びネットワーク予測モデル１３５１に入力する。

【0063】

プロファイル予測モデル１３３１は、入力された音声データの特徴量を基に、ユーザＭのプロファイルを予測する。処理装置１０は、プロファイル予測モデル１３３１によるユーザＭのプロファイル予測結果が、ユーザＭのアンケートの回答によって取得したユーザＭのプロファイルに近づくように、プロファイル予測モデル１３３１のパラメータの更新を行う。

【0064】

また、状態予測モデル１３４１は、入力された音声データの特徴量を基に、ユーザＭの状態を予測する。処理装置１０は、状態予測モデル１３４１によるユーザＭの状態予測結果が、事後アンケートの回答を基に取得したユーザＭの状態に近づくように、状態予測モデル１３４１のパラメータの更新を行う。

【0065】

ネットワーク予測モデル１３５１は、入力された音声データの特徴量を基に、ユーザＭのネットワークを予測する。処理装置１０は、ネットワーク予測モデル１３５１によるユーザＭのネットワーク予測結果が、ユーザＭのネットワーク分析用のＷｅｂアンケート及び事後アンケートの回答によって取得したユーザＭのネットワークに近づくように、ネットワーク予測モデル１３５１のパラメータの更新を行う。

【0066】

処理装置１０は、ユーザＭ以外の他のユーザについても同様に、アンケートによって取得されたプロファイル、Ｗｅｂ会議等の会話データ、事後アンケートによって取得された状態を用いて、プロファイル予測モデル１３３１、状態予測モデル１３４１及びネットワーク予測モデル１３５１のパラメータを更新する。このように、処理装置１０は、プロファイル予測モデル１３３１、状態予測モデル１３４１及びネットワーク予測モデル１３５１を構築する（図３の（５））。

【0067】

この際、処理装置１０では、プロファイル予測モデル１３３１、状態予測モデル１３４１及びネットワーク予測モデル１３５１については、複数の入力データのパターンに対して複数の機械学習アルゴリズムで精度検証し、予測精度が一番良いモデルを採用した。

【0068】

具体的には、プロファイル予測モデル１３３１、状態予測モデル１３４１及びネットワーク予測モデル１３５１への入力データのパターンとして、単語ベクトル系特徴量のみ、感情系特徴量のみ、文タイプ系特徴量のみ、単語ベクトル系特徴量と感情系特徴量と文タイプ系特徴量との全ての４パターンに分けて、特徴量を入力する（図４の（１））。また、プロファイル予測モデル１３３１、状態予測モデル１３４１及びネットワーク予測モデル１３５１の訓練において、教師データとして、訓練対象のユーザのプロファイル分析結果及び訓練対象のユーザの状態が用いられる。

【0069】

そして、これらの４パターンの入力データに対し、プロファイル予測モデル１３３１、状態予測モデル１３４１及びネットワーク予測モデル１３５１をそれぞれ構築し（図４の（２））、予測及び検証を行う（図４の（３））。モデルの構築では、複数のアルゴリズムを用いて、プロファイル予測モデル１３３１、状態予測モデル１３４１及びネットワーク予測モデル１３５１を構築する。例えば、木系アルゴリズムを重点的に用いて各モデルを構築する。

【0070】

そして、処理装置１０では、入力する特徴量のパターンと、各アルゴリズムで構築した予測モデルの予測精度を比較し、予測精度が最もよいプロファイル予測モデル１３３１、状態予測モデル１３４１及びネットワーク予測モデル１３５１を採用する。

【0071】

［特徴量］
次に、特徴量変換部１３２が変換する特徴量について説明する。処理装置１０において、特徴量として、自然言語処理のモデルであるWord2Vec及びＢＥＲＴ（Bidirectional Encoder Representations from Transformers）を用いて変換した単語ベクトル系特徴量、文タイプ判定器（例えば、“COTOHA-API”, ［online］，［令和４年４月６日検索］，インターネット＜ＵＲＬ：https://api.ce-cotoha.com/contents/api-all.html＞参照）を用いて判定した文タイプ系特徴量、感情分析器（例えば、“COTOHA-API”, ［online］，［令和４年４月６日検索］，インターネット＜ＵＲＬ：https://api.ce-cotoha.com/contents/api-all.html＞参照）を用いて分析した感情系特徴量を採用した。

【0072】

特徴量変換部１３２は、Word2Vecを用いて、音声データ及びチャットデータに含まれる各単語に対し固定長（100次元、300次元）のベクトル量を付与した。特徴量変換部１３２では、計算に利用する品詞パターンについて、全品詞、名詞と形容詞と動詞、名詞と形容詞、形容詞と動詞、名詞と動詞、名詞のみ、形容詞のみ、動詞のみ、の８通りを用いた。

【0073】

特徴量変換部１３２は、ＢＥＲＴを用いて、音声データ及びチャットデータに含まれる各単語に対し固定長（768次元）のベクトル量を付与する。ＢＥＲＴは、文脈も考慮したベクトル量付与が可能である。

【0074】

図５は、文タイプ系特徴量を示す図である。特徴量変換部１３２は、文タイプ特徴量として、図５に示すように、音声データ及びチャットデータに含まれる各文に対し、文の法（叙述／質問／命令）タイプと、挨拶、情報提供などの発話行為タイプとの２２次元をラベル付けする。

【0075】

図６は、感情系特徴量を示す図である。特徴量変換部１３２は、感情系特徴量として、図６に示すように、音声データ及びチャットデータのうち、発話相手への各発言に、１９次元の感情をラベル付けする。ラベルには、Positive、Negative、PositiveかつNegativeに加え、喜ぶ、驚く等の特定の感情に対応するラベルがある。特徴量変換部１３２は、発話相手への総発言数をカウントし、各発言に付与されたラベルを基に、「Positiveの割合」、「Negativeの割合」等を計算してもよい。

【0076】

［プロファイル］
図７は、プロファイル予測部１３３が予測するユーザのプロファイル項目を示す図である。図７に示すように、大カテゴリとして、行動力、思考力、マインド、コミュニケーション力、チャレンジがある。各大カテゴリには、それぞれプロファイル項目が設定されており、例えば、行動力には、スピード、リーダーシップのプロファイル項目がある。プロファイル予測部１３３は、図７に示すプロファイル項目の各項目についてプロファイルを予測する。

【0077】

［スコアリング］
ネットワーク予測モデル１３５１に入力される特徴量は、誰から誰に対する発言であるかを示すfrom-to情報が付与されている。ネットワーク予測モデル１３５１は、この特徴量に付与されたfrom-to情報を基に、人と人とのつながりを予測する。

【0078】

そして、ネットワーク予測モデル１３５１は、入力された特徴量を基に、人と人とのつながりが、どのような意味合いを持ったつながりであるかを予測する。ネットワーク予測モデル１３５１は、どの人とどの人がつながっているかを予測するとともに、スキル、知識、趣味等の共通項でつながっているのか、或いは、一方から他方のユーザに依存がある状態でつながっているのか、を予測する。例えば、ネットワーク予測モデル１３５１は、人と人とのつながりを、スコアリングする。

【0079】

以降においては、人をノードとし、人と人とのつながりをエッジとして説明する。ネットワーク予測モデル１３５１は、Ｗｅｂ会議の出席者情報やアンケートの回答結果等を基にノードを求める。ノードは、from-to情報を基にエッジの方向を求める。そして、ネットワーク予測モデル１３５１は、どのような意味合いを持ったつながりであるかを示すスコアをエッジに付与する。このスコアは、例えば、一方から他方のユーザへの依存度である。

【0080】

ネットワーク予測モデル１３５１は、エッジのスコアリングのために、予測対象のユーザから発話相手のユーザへの発言が、依頼、相談、情報提供、感情表明のいずれの意味合いを有しているかを判別する。

【0081】

依頼は、発話相手に物事を頼んで任せることや、特定の物事をしてもらうように頼むことなどを意味する。相談は、発話相手に判断を求めること、問題解決のために話し合うこと、相談のために相手の意見を聞くことなどを意味する。情報提供は、発話相手に役立ててもらうために、自分が持つ情報を提供することを意味する。感情表明は、発話相手に対して、「喜ぶ」、「驚く」、「不安」、「安心」等の感情的な意思を表明していることを意味する。

【0082】

ネットワーク予測モデル１３５１は、依頼、相談、情報提供については、特徴量変換部１３２が出力する文タイプ系特徴量を基に判別する。図８は、文タイプ系特徴量と、予測対象のユーザの発話相手への総発言数に対する各発話種別の発言の割合との一例を示す図である。

【0083】

図８に示すように、特徴量変換部１３２は、各発言に対し、挨拶、情報提供、フィードバック／相槌、情報獲得、同意、理解確認、約束、受領、言い直し、感謝、謝罪、時間梅、指示等の文タイプ系特徴量を示す発話種別を付与する。

【0084】

ネットワーク予測モデル１３５１は、予測対象のユーザの発話相手への総発言数をカウントする。ネットワーク予測モデル１３５１は、総発言数に対する、情報提供、情報獲得、指示の発話種別が付与された発言の割合をそれぞれ算出し、これらの割合の総和を算出する。ネットワーク予測モデル１３５１は、算出した総和に対応するスコアを、エッジに付与する。ネットワーク予測モデル１３５１は、情報提供、情報獲得、指示がラベル付けされた発言の割合の総和と、付与するスコアとの対応関係を訓練済みである。

【0085】

そして、ネットワーク予測モデル１３５１は、感情表明については、特徴量変換部１３２が出力する感情系特徴量を基に判別する。図９は、感情系特徴量と、予測対象のユーザの発話相手への総発言数に対する各発話種別の発言の割合との一例を示す図である。

【0086】

図９に示すように、特徴量変換部１３２は、各発言に対し、喜ぶ、怒る、悲しい、不安等の感情系特徴量を示す感情ラベルを付与する。

【0087】

ネットワーク予測モデル１３５１は、予測対象のユーザの発話相手への総発言数をカウントする。ネットワーク予測モデル１３５１は、総発言数に対する、喜ぶ、驚く、不安等の所定の感情ラベルが付与された発言の割合をそれぞれ算出し、これらの割合の総和を算出する。ネットワーク予測モデル１３５１は、算出した総和に対応するスコアを、エッジに付与する。ネットワーク予測モデル１３５１は、所定の感情ラベルが付与された発言の割合の総和と、付与するスコアとの対応関係を訓練済みである。

【0088】

そして、ネットワーク予測モデル１３５１は、文タイプ系特徴量を基に付与したスコア及び／または感情系特徴量を基に付与したスコアを基に、予測対象のユーザの他のユーザに対する依存度を求める。なお、ネットワーク予測モデル１３５１は、スコアと依存度との対応関係を訓練済みである。

【0089】

また、ネットワーク予測モデル１３５１は、例えば、ユーザ間の発話状況を判別して、場面等に分けて依存度を求めてもよい。

【0090】

例えば、ネットワーク予測モデル１３５１は、Ｗｅｂ会議の内容やチャットの内容が問題解決に関することを判別し、これらのＷｅｂ会議の音声データやチャットデータを基に、問題解決の場において、誰が誰にどの程度依存しているかを示すネットワークを予測する。また、ネットワーク予測モデル１３５１は、Ｗｅｂ会議の内容やチャットの内容が技術面に関することを判別し、これらのＷｅｂ会議の音声データやチャットデータを基に、技術面において、誰が誰にどの程度依存しているかを示すネットワークを予測する。

【0091】

［可視化データ］
処理装置１０は、ユーザのプロファイル、状態及びネットワークを可視化し、可視化した可視化データを、ユーザやユーザが属する組織に提供する。図１０～図１２は、可視化データの一例を示す図である。例えば、ユーザが、ユーザ端末に表示された図１に示す予測結果２０のプロファイル３０またはネットワーク４０を選択すると、プロファイル３０及びネットワークの詳細が表示される。

【0092】

可視化データ作成部１３６は、プロファイルの詳細として、大カテゴリごとの予測値及び第カテゴリの数値のグラフとともに、プロファイル予測部１３３が予測したコミュニケーションタイプ、状態予測部１３４が予測したユーザの状態を含む可視化データを作成する。例えば、可視化データ作成部１３６は、プロファイル３０の詳細として、図１０に示すプロファイル図３０Ａをユーザ端末に表示させる。

【0093】

プロファイル図３０Ａは、図１０に示すように、行動力、思考力、マインド、コミュニケーション力及びチャレンジの項目とその数値とを示すテーブル３１、テーブル３１の数値を項目ごとにグラフ化したグラフ３２、コミュニケーションタイプ欄３３、ユーザのメンタル状態欄３４が表示される。

【0094】

可視化データ作成部１３６は、大カテゴリの一つが選択された場合には、例えば、ポップアップ等によって、大カテゴリに設定された各プロファイル項目の数値が表示されるようにしてもよい。

【0095】

また、可視化データ作成部１３６は、ユーザが使用する端末装置等からの指示情報にしたがって、各ユーザのプロファイル及び／または状態を、カテゴリ或いはプロファイル項目ごと、または、複数のカテゴリ或いはプロファイル項目を組み合わせて、順位付けを行い、その順位順に各ユーザの識別情報を表示した可視化データを作成してもよい。可視化データ作成部１３６は、ユーザ等が端末装置等を介して、順位順に表示されたいずれかのユーザが選択されると、選択されたユーザのプロファイル図の可視化データを作成して、端末装置に表示させる。

【0096】

また、可視化データ作成部１３６は、ネットワーク予測部１３５が予測したユーザのネットワークを基に、人と人との関係性を表すネットワーク指標を算出する。可視化データ作成部１３６は、次数、中心性、クラスタリングなどを行い、可視化データを作成する。

【0097】

例えば、可視化データ作成部１３６は、ネットワークの詳細として、図１１に例示するネットワーク図４０Ａを作成する。ネットワーク図４０Ａは、ユーザ（社員Ａ）の社員個人・組織間の関係を示すネットワーク図である。ネットワーク図４０Ａは、スキル、知識、趣味等の共通項でのユーザ間のつながりを示すネットワーク図４１、ユーザ間の依存度を示すネットワーク図４２を含む。

【0098】

例えば、ネットワーク図４１では、社員Ａと、社員Ａと共通のプログラミング言語「Python」スキルを有する社員Ｂとがエッジ４１１で接続されるとともに、社員Ａと、社員Ａと共通の趣味「ラグビー」を有する社員Ｃとがエッジ４１２で接続される。また、ネットワーク図４２は、社員Ａ，Ｂ、Ｃ間の依存関係を示す。例えば、ネットワーク図４２は、社員Ａは、エッジ４２１で接続される社員Ｂに対しては依存度が７５％であることを示し、エッジ４２２で接続される社員Ｃに対しては依存度が３０％であることを示す。

【0099】

また、可視化データ作成部１３６は、図１２に例示するネットワーク図４３，４４を作成してもよい。例えば、ネットワーク図４３は、問題解決の依存度合を示す。エッジを矢印で示し、依存度の段階を矢印の太さやテキストで示すことで、問題解決を行う際に、誰が誰にどの程度依存しているかを示す。同様に、技術面の依存度合を示すネットワーク図４４のように、技術面において、誰が誰にどの程度依存しているかを示すことも可能である。

【0100】

また、可視化データ作成部１３６は、ユーザが使用する端末装置等からの指示情報にしたがって、各ユーザのネットワークを、指標ごと、または、複数の指標を組み合わせて、順位付けを行い、その順位順に各ユーザの識別情報を表示した可視化データを作成してもよい。可視化データ作成部１３６は、ユーザ等が端末装置を介して、順位順に表示されたいずれかのユーザが選択されると、選択されたユーザのネットワーク図の可視化データを作成して、端末装置に表示させる。

【0101】

また、可視化データ作成部１３６は、ユーザが使用する端末装置からの指示情報にしたがって、各ユーザのプロファイル図及びネットワーク図を、例えば並列表示した可視化データを作成してもよい。この際の各図の大きさや位置は、ユーザが使用する端末装置からの指示情報にしたがって、適宜変更される。

【0102】

［リコメンド］
図１３は、リコメンド情報の一例を示す図である。図１３に示すように、プロファイル予測部１３３は、ユーザのプロファイル、状態、ネットワークを予測するとともに（図１３の（１））、ロールモデルのプロファイル、状態、ネットワークを予測する（図１３の（２））。

【0103】

そして、リコメンド部１３７は、プロファイル項目の値とネットワークの指標を組み合わせて分析し、ユーザとロールモデルとの差がある部分を提示するリコメンド情報を作成する（図１３の（３））。

【0104】

２０個のプロファイル項目からなるベクトルの類似度を比較し、ユーザと、ロールモデルとの差が大きい項目をリコメンドするリコメンド情報を作成する（図１３の（３））。

【0105】

例えば、リコメンド部１３７は、図１に例示する予測結果２０が、ユーザが使用するユーザ端末に表示されている際に、このユーザとロールモデルとのネットワークの差と、このネットワークの差に起因するプロファイル項目を示すコメントＣ１をポップアップ表示させる。この際、リコメンド部１３７は、コメントＣ１に示すように、「あなたはロールモデルの○○さんと比べるとチーム内で人間関係が閉じてしまっており、これは「関係構築力」が弱いからでしょう。もっと△△△△するようにしてみましょう。」という、ユーザの不足点を向上させるために要する具体的な内容をリコメンドする。

【0106】

［訓練処理］
図１４は、実施の形態における訓練処理の処理手順を示す図である。図１４に示すように、処理装置１０では、取得部１３１が、訓練に必要となる各種データを取得する（ステップＳ１）。例えば、取得部１３１は、訓練対象のユーザの音声データ及び／またはチャットデータを取得するとともに、訓練対象のユーザから得られたアンケートの回答結果に基づくプロファイル分析結果、状態分析結果及びネットワーク分析結果を教師データとして取得する。

【0107】

特徴量変換部１３２が、ステップＳ１において取得された、訓練対象のユーザの音声データ及び／またはチャットデータ、所定の特徴量に変換する（ステップＳ２）。ステップＳ２において変換された特徴量は、プロファイル予測モデル１３３１、状態予測モデル１３４１及びネットワーク予測モデル１３５１に入力される。

【0108】

プロファイル予測部１３３では、プロファイル予測モデル１３３１が、入力された特徴量を基に、訓練対象のユーザのプロファイルを予測する（ステップＳ３）。訓練部１３８は、ステップＳ３における予測結果が、教師データである訓練対象のユーザから得られたアンケートの回答結果に基づくプロファイル分析結果に近づくように、プロファイル予測モデル１３３１のパラメータの更新を行う（ステップＳ４）。

【0109】

状態予測部１３４では、状態予測モデル１３４１が、入力された特徴量を基に、訓練対象のユーザの状態を予測する（ステップＳ５）。訓練部１３８は、ステップＳ５における予測結果が、教師データである訓練対象のユーザから得られたアンケートの回答結果に基づく状態分析結果に近づくように、状態予測モデル１３４１のパラメータの更新を行う（ステップＳ６）。

【0110】

ネットワーク予測部１３５では、ネットワーク予測モデル１３５１が、入力された特徴量を基に、訓練対象のユーザのネットワークを予測する（ステップＳ７）。訓練部１３８は、ステップＳ３における予測結果が、教師データである訓練対象のユーザから得られたアンケートの回答結果に基づくネットワーク分析結果に近づくように、ネットワーク予測モデル１３５１のパラメータの更新を行う（ステップＳ８）。

【0111】

訓練部１３８は、所定の終了条件を満たすか否かを判定する（ステップＳ９）。終了条件は、例えば、予測結果と教師データとの間の差が所定の閾値以下となった場合、パラメータの更新回数が所定の回数に到達した場合、パラメータ更新量が所定の閾値以下となった場合などである。

【0112】

所定の終了条件を満たす場合（ステップＳ９：Ｙｅｓ）、訓練部１３８は、この訓練対象のユーザについて、プロファイル予測モデル１３３１、状態予測モデル１３４１及びネットワーク予測モデル１３５１の訓練を終了する。一方、所定の終了条件を満たさない場合（ステップＳ９：Ｎｏ）、訓練部１３８は、ステップＳ３、ステップＳ５及びステップＳ７に戻り、プロファイル予測モデル１３３１、状態予測モデル１３４１及びネットワーク予測モデル１３５１の訓練を継続する。

【0113】

［予測処理］
図１５は、実施の形態における予測処理の処理手順を示す図である。図１５に示すように、処理装置１０では、取得部１３１が、予測対象のユーザの音声データ及び／またはチャットデータを取得する（ステップＳ１１）。

【0114】

特徴量変換部１３２が、ステップＳ１１において取得された、予測対象のユーザの音声データ及び／またはチャットデータ、所定の特徴量に変換する（ステップＳ１２）。ステップＳ１２において変換された特徴量は、プロファイル予測モデル１３３１、状態予測モデル１３４１及びネットワーク予測モデル１３５１に入力される。

【0115】

プロファイル予測部１３３では、プロファイル予測モデル１３３１が、入力された特徴量を基に、予測対象のユーザのプロファイルを予測する（ステップＳ１３）。状態予測部１３４では、状態予測モデル１３４１が、入力された特徴量を基に、予測対象のユーザの状態を予測する（ステップＳ１４）。ネットワーク予測部１３５では、ネットワーク予測モデル１３５１が、入力された特徴量を基に、予測対象のユーザのネットワークを予測する（ステップＳ１５）。

【0116】

可視化データ作成部１３６は、プロファイル予測部１３３によって予測されたユーザのプロファイル、状態予測部１３４によって予測されたユーザの状態、及び、ネットワーク予測部１３５によって予測されたユーザのネットワークを示す可視化データを作成する（ステップＳ１６）。

【0117】

リコメンド部１３７は、予測対象のユーザのプロファイルと、ロールモデルのプロファイルと比して、ユーザに不足する能力をリコメンドするとともに、ユーザのネットワークと、ロールモデルのネットワークと比して、ユーザのネットワークとロールモデルのネットワークとの差をリコメンドするリコメンド情報を作成する（ステップＳ１７）。

【0118】

制御部１３は、通信部１１を介して、可視化データ作成部１３６及びリコメンド部１３７が作成したデータを、例えば、予測対象のユーザが使用するユーザ端末に出力する（ステップＳ１８）。処理装置１０は、ユーザ端末のほか、ユーザが所属する組織が使用するサーバや、処理装置１０に接続するディスプレイ等に、データを出力してもよい。

【0119】

［実施の形態の効果］
実施の形態に係る処理装置１０は、業務におけるコミュニケーション情報、例えば、ユーザと他のユーザとの会話の音声データ、及び／または、ユーザと他のユーザとの間におけるチャットデータに基づくデータを基に、発話者であるユーザのプロファイル、状態、ネットワークを予測する。処理装置１０は、ユーザのプロファイル、状態及びネットワークを可視化し、可視化した可視化データを、ユーザやユーザが属する組織に提供する。

【0120】

このように、処理装置１０は、客観的にプロファイル、状態及びネットワークを予測し、予測したプロファイル、状態及びネットワークを可視化して提供する。

【0121】

処理装置１０は、ユーザのプロファイル、言い換えると、ユーザ自身も気づいていないユーザの内面を可視化して提供する。このため、ユーザや組織は、ユーザのプロファイルを基に、ユーザを適切に評価することができる。また、ユーザや組織は、ユーザのプロファイルを基に、ユーザの改善点を客観的に把握することができる。これによって、ユーザや組織は、ユーザ自身が気づいていなかった新たな観点からユーザのパフォーマンス向上の具体的な対策を行うことができる。また、組織は、ユーザのパフォーマンスを発揮できる職種や部署への異動についても、適切に検討することができる。

【0122】

また、ユーザや組織は、処理装置１０によって提供されたユーザの状態を基に、ユーザの日ごとの変化を求め、状態スコアの低い日の行動を見直すことで、パフォーマンスの安定化につなげることができる。

【0123】

また、処理装置１０は、人と人との間のつながりを客観的に捉えたネットワークを取得し、取得したネットワークを可視化して提供する。処理装置１０は、ユーザのネットワーク、言い換えると、ユーザ自身も気づいていないユーザの他のユーザとの関係性を可視化して提供する。このため、ユーザや組織は、ユーザのネットワークを、共通項、依存度及び各指標に応じて、適切に評価することができる。また、ユーザや組織は、ユーザのネットワークを、共通項、依存度及び各指標に応じて、客観的に把握することができる。これによって、ユーザや組織は、ユーザのネットワークを多角的に検討することで、ユーザのパフォーマンス向上の具体的な対策を行うことができる。また、組織は、ユーザのパフォーマンスを発揮できる職種や部署への異動についても、適切に検討することができる。

【0124】

また、ユーザや組織は、ユーザのプロファイル、状態及びネットワークを併せて確認することで、ユーザの内面であるプロファイル及び状態と、ユーザの外面であるネットワークとの双方の視点から、ユーザや組織のパフォーマンス向上の対策を多角的に検討することができる。

【0125】

また、処理装置１０は、Ｗｅｂ会議やチャットの発言など日々積み重ねられていく組織内でのコミュニケーション情報から、ユーザのプロファイル、状態及びネットワークを予測する。このため、ユーザ自身がププロファイル、状態及びネットワーク予測のためにアンケートに回答する等の煩雑な処理を行わずとも、ユーザや組織はユーザのプロファイルを簡易に取得することができる。

【0126】

さらに、処理装置１０は、予測対象のユーザのプロファイルと、ロールモデルのプロファイルと比して、ユーザに不足する能力をリコメンドするとともに、ユーザのネットワークと、ロールモデルのネットワークと比して、ユーザのネットワークとロールモデルのネットワークとの差をリコメンドする。ユーザや組織は、リコメンドの内容を基に、ユーザのパフォーマンス向上の具体的な対策を迅速に行うことができる。

【0127】

以上のように、処理装置１０は、可視化したユーザのプロファイル、状態及びネットワークを、ユーザ個人や組織に提供することによって、ユーザ個人や組織が抱える多様な課題の解決を支援することができる。

【0128】

また、処理装置１０は、音声データ及び／またはチャットデータを、所定の特徴量に変換し、変換した特徴量を、プロファイル予測モデル１３３１、状態予測モデル１３４１及びネットワーク予測モデル１３５１に入力して、ユーザのプロファイル、状態及びネットワークを予測する。このように、処理装置１０は、音声データ及び／またはチャットデータを、予測に適した特徴量に加工し、プロファイル予測モデル１３３１、状態予測モデル１３４１及びネットワーク予測モデル１３５１に入力することで、安定した予測精度を保持することができる。

【0129】

また、処理装置１０は、プロファイル予測モデル１３３１を、訓練対象のユーザから得られたアンケートの回答結果に基づくプロファイル分析結果を、教師データとした機械学習を用いて訓練する。そして、処理装置１０は、状態予測モデル１３４１を、訓練対象のユーザから得られたアンケートの回答結果に基づく状態分析結果を、教師データとした機械学習を用いて訓練する。処理装置１０は、ネットワーク予測モデル１３５１を、訓練対象のユーザから得られたアンケートの回答結果に基づくネットワーク分析結果を、教師データとした機械学習を用いて訓練する。

【0130】

このように、処理装置１０は、プロファイル予測モデル１３３１、状態予測モデル１３４１及びネットワーク予測モデル１３５１を適切に訓練するため、プロファイル予測、状態予測及びネットワーク予測の精度を適切に保持することができる。

【0131】

なお、実施の形態では、処理装置１０は、人と人とのネットワークを予測する場合を例に説明したが、これに限らず、人と組織とのネットワーク、組織と組織とのネットワーク、チームとチームとのネットワーク等を予測してもよい。処理装置１０が予測した人と組織とのネットワーク、組織と組織とのネットワーク、チームとチームとのネットワーク等の可視化データを基に、組織やチームのパフォーマンス向上や、人事や組織の改編に役立てることができる。

【0132】

［実施の形態のシステム構成について］
処理装置１０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ように構成されていることを要しない。すなわち、処理装置１０の機能の分散及び統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散または統合して構成することができる。

【0133】

また、処理装置１０においておこなわれる各処理は、全部または任意の一部が、ＣＰＵ、ＧＰＵ（Graphics Processing Unit）、及び、ＣＰＵ、ＧＰＵにより解析実行されるプログラムにて実現されてもよい。また、処理装置１０においておこなわれる各処理は、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てもよい。

【0134】

また、実施の形態において説明した各処理のうち、自動的におこなわれるものとして説明した処理の全部または一部を手動的に行うこともできる。もしくは、手動的におこなわれるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上述及び図示の処理手順、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適宜変更することができる。

【0135】

［プログラム］
図１６は、プログラムが実行されることにより、処理装置１０が実現されるコンピュータの一例を示す図である。コンピュータ１０００は、例えば、メモリ１０１０、ＣＰＵ１０２０を有する。また、コンピュータ１０００は、ハードディスクドライブインタフェース１０３０、ディスクドライブインタフェース１０４０、シリアルポートインタフェース１０５０、ビデオアダプタ１０６０、ネットワークインタフェース１０７０を有する。これらの各部は、バス１０８０によって接続される。

【0136】

メモリ１０１０は、ＲＯＭ１０１１及びＲＡＭ１０１２を含む。ＲＯＭ１０１１は、例えば、ＢＩＯＳ（Basic Input Output System）等のブートプログラムを記憶する。ハードディスクドライブインタフェース１０３０は、ハードディスクドライブ１０９０に接続される。ディスクドライブインタフェース１０４０は、ディスクドライブ１１００に接続される。例えば磁気ディスクや光ディスク等の着脱可能な記憶媒体が、ディスクドライブ１１００に挿入される。シリアルポートインタフェース１０５０は、例えばマウス１１１０、キーボード１１２０に接続される。ビデオアダプタ１０６０は、例えばディスプレイ１１３０に接続される。

【0137】

ハードディスクドライブ１０９０は、例えば、ＯＳ（Operating System）１０９１、アプリケーションプログラム１０９２、プログラムモジュール１０９３、プログラムデータ１０９４を記憶する。すなわち、処理装置１０の各処理を規定するプログラムは、コンピュータ１０００により実行可能なコードが記述されたプログラムモジュール１０９３として実装される。プログラムモジュール１０９３は、例えばハードディスクドライブ１０９０に記憶される。例えば、処理装置１０における機能構成と同様の処理を実行するためのプログラムモジュール１０９３が、ハードディスクドライブ１０９０に記憶される。なお、ハードディスクドライブ１０９０は、ＳＳＤ（Solid State Drive）により代替されてもよい。

【0138】

また、上述した実施の形態の処理で用いられる設定データは、プログラムデータ１０９４として、例えばメモリ１０１０やハードディスクドライブ１０９０に記憶される。そして、ＣＰＵ１０２０が、メモリ１０１０やハードディスクドライブ１０９０に記憶されたプログラムモジュール１０９３やプログラムデータ１０９４を必要に応じてＲＡＭ１０１２に読み出して実行する。

【0139】

なお、プログラムモジュール１０９３やプログラムデータ１０９４は、ハードディスクドライブ１０９０に記憶される場合に限らず、例えば着脱可能な記憶媒体に記憶され、ディスクドライブ１１００等を介してＣＰＵ１０２０によって読み出されてもよい。あるいは、プログラムモジュール１０９３及びプログラムデータ１０９４は、ネットワーク（ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）等）を介して接続された他のコンピュータに記憶されてもよい。そして、プログラムモジュール１０９３及びプログラムデータ１０９４は、他のコンピュータから、ネットワークインタフェース１０７０を介してＣＰＵ１０２０によって読み出されてもよい。

【0140】

以上、本発明者によってなされた発明を適用した実施の形態について説明したが、本実施の形態による本発明の開示の一部をなす記述及び図面により本発明は限定されることはない。すなわち、本実施の形態に基づいて当業者等によりなされる他の実施の形態、実施例及び運用技術等は全て本発明の範疇に含まれる。

【符号の説明】

【0141】

１０ 処理装置
１１ 通信部
１２ 記憶部
１３ 制御部
１２１ ユーザ情報
１２２ 音声データ
１２３ チャットデータ
１２４ 特徴量情報
１２５ アンケート分析結果
１２６ 事後アンケート結果
１２７ リコメンド作成用情報
１３１ 取得部
１３２ 特徴量変換部
１３３ プロファイル予測部
１３４ 状態予測部
１３５ ネットワーク予測部
１３６ 可視化データ作成部
１３７ リコメンド部
１３８ 訓練部
１３３１ プロファイル予測モデル
１３４１ 状態予測モデル
１３５１ ネットワーク予測モデル

【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】