特許 7143169 情報処理装置、情報処理方法及びプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2022-09-16

(45)【発行日】2022-09-28

(54)【発明の名称】情報処理装置、情報処理方法及びプログラム

(51)【国際特許分類】

   G06Q 10/10 20120101AFI20220920BHJP

   G06Q 10/06 20120101ALI20220920BHJP

【ＦＩ】

G06Q10/10 320

G06Q10/06 326

【請求項の数】 8

(21)【出願番号】P 2018181818

(22)【出願日】2018-09-27

(65)【公開番号】P2020052757

(43)【公開日】2020-04-02

【審査請求日】2021-06-28

(73)【特許権者】

【識別番号】515144552

【氏名又は名称】株式会社メディリード

(74)【代理人】

【識別番号】110003339

【氏名又は名称】特許業務法人南青山国際特許事務所

(74)【代理人】

【識別番号】100104215

【弁理士】

【氏名又は名称】大森 純一

(74)【代理人】

【識別番号】100196575

【弁理士】

【氏名又は名称】高橋 満

(74)【代理人】

【識別番号】100168181

【弁理士】

【氏名又は名称】中村 哲平

(74)【代理人】

【識別番号】100117330

【弁理士】

【氏名又は名称】折居 章

(74)【代理人】

【識別番号】100160989

【弁理士】

【氏名又は名称】関根 正好

(74)【代理人】

【識別番号】100168745

【弁理士】

【氏名又は名称】金子 彩子

(74)【代理人】

【識別番号】100176131

【弁理士】

【氏名又は名称】金山 慎太郎

(74)【代理人】

【識別番号】100197398

【弁理士】

【氏名又は名称】千葉 絢子

(74)【代理人】

【識別番号】100197619

【弁理士】

【氏名又は名称】白鹿 智久

(72)【発明者】

【氏名】小久保 欣哉

(72)【発明者】

【氏名】正路 章子

(72)【発明者】

【氏名】脇田 恵理子

【審査官】阿部 潤

(56)【参考文献】

【文献】特開２０１７－０６８８３１（ＪＰ，Ａ）

【文献】特開２０１６－２００９５５（ＪＰ，Ａ）

【文献】特開２０１６－２０７１６５（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｑ １０／００ － ９９／００

(57)【特許請求の範囲】

【請求項1】

複数の被験者のストレスチェックの結果を示すストレスチェックデータと、前記被験者の勤怠労務データと、前記被験者の生体試料データとを基に多変量解析により生成された、ストレス予測重み付けパラメータ及び勤怠影響リスク予測重み付けパラメータとを記憶する記憶部と、
組織に属する従業員の前記ストレスチェックデータ及び前記勤怠労務データに、前記ストレス予測重み付けパラメータを適用することで、現在から所定期間経過後における前記従業員のストレスを予測したストレス予測データを生成し、
前記ストレス予測データに、前記勤怠影響リスク予測重み付けパラメータを適用することで、前記所定期間経過後における前記従業員の勤怠、生産性低下または退職のリスクを含む勤怠影響リスクを予測した勤怠影響リスク予測データを生成し、
前記勤怠影響リスク予測データを出力する、制御部と
を具備する情報処理装置。

【請求項2】

請求項１に記載の情報処理装置であって、
前記記憶部は、前記ストレス予測重み付けパラメータ及び前記勤怠影響リスク予測重み付けパラメータを、現在から複数の異なる期間経過後の各ストレス予測データ及び各勤怠影響リスク予測データの生成用に前記複数の異なる期間毎に記憶し、
前記制御部は、前記複数の異なる期間経過後の前記ストレス予測データから前記複数の異なる期間経過後の前記勤怠影響リスク予測データをそれぞれ生成する
情報処理装置。

【請求項3】

請求項１に記載の情報処理装置であって、
前記制御部は、前記生成した勤怠影響リスク予測データと、前記所定期間経過時点の勤怠労務データとを比較し、差分を算出して出力する
情報処理装置。

【請求項4】

請求項３に記載の情報処理装置であって、
前記制御部は、前記差分を基に、前記ストレス予測重み付けパラメータを更新するための関数を機械学習により構築し、当該関数を基に前記ストレス予測重み付けパラメータを更新する
情報処理装置。

【請求項5】

請求項３に記載の情報処理装置であって、
前記制御部は、前記差分を基に、前記勤怠影響リスク予測重み付けパラメータを更新するための関数を機械学習により構築し、当該関数を基に前記勤怠影響リスク予測重み付けパラメータを更新する
情報処理装置。

【請求項6】

請求項１に記載の情報処理装置であって、
前記制御部は、前記勤怠影響リスク予測データを基に、前記予測した勤怠影響リスクをチャートで示すとともに、現在よりも前記従業員の前記ストレスチェックの結果が改善または悪化した場合に予測される勤怠影響リスクをユーザの操作に応じてシミュレーションして提示可能なリスク予測結果表示画面インタフェースを生成する
情報処理装置。

【請求項7】

複数の被験者のストレスチェックの結果を示すストレスチェックデータと、前記被験者の勤怠労務データと、前記被験者の生体試料データとを基に多変量解析により生成された、ストレス予測重み付けパラメータ及び勤怠影響リスク予測重み付けパラメータとを記憶し、
組織に属する従業員の前記ストレスチェックデータ及び前記勤怠労務データに、前記ストレス予測重み付けパラメータを適用することで、現在から所定期間経過後における前記従業員のストレスを予測したストレス予測データを生成し、
前記ストレス予測データに、前記勤怠影響リスク予測重み付けパラメータを適用することで、前記所定期間経過後における前記従業員の勤怠、生産性低下または退職のリスクを含む勤怠影響リスクを予測した勤怠影響リスク予測データを生成し、
前記勤怠影響リスク予測データを出力する、
コンピュータが実行する情報処理方法。

【請求項8】

情報処理装置に、
複数の被験者のストレスチェックの結果を示すストレスチェックデータと、前記被験者の勤怠労務データと、前記被験者の生体試料データとを基に多変量解析により生成された、ストレス予測重み付けパラメータ及び勤怠影響リスク予測重み付けパラメータとを記憶するステップと、
組織に属する従業員の前記ストレスチェックデータ及び前記勤怠労務データに、前記ストレス予測重み付けパラメータを適用することで、現在から所定期間経過後における前記従業員のストレスを予測したストレス予測データを生成するステップと、
前記ストレス予測データに、前記勤怠影響リスク予測重み付けパラメータを適用することで、前記所定期間経過後における前記従業員の勤怠、生産性低下または退職のリスクを含む勤怠影響リスクを予測した勤怠影響リスク予測データを生成するステップと、
前記勤怠影響リスク予測データを出力するステップと
を実行させるプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、組織の従業員のストレスに基づく勤怠影響リスクを予測することが可能な情報処理装置、情報処理方法及びプログラムに関する。

【背景技術】

【0002】

従来から、組織の従業員のストレスを可視化して管理者等に提示するシステムが存在する。例えば下記特許文献１には、職場組織に属する複数の従業員のストレスチェックの結果を示すストレスチェックデータを取得し、前記複数の従業員の勤怠データを取得し、前記複数の従業員のストレスチェックデータ及び勤怠データに応じて、職場組織における離職リスク及び労務リスクの少なくとも一方を含む人材リスクを評価し、当該人材リスクを管理者に対して提示する管理者ＧＵＩを作成する人材リスク管理システムが開示されている。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０１６－２０７１６５号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

上記特許文献１に記載の技術では、従業員のストレスチェックデータが主観的な場合があることから、当該ストレスチェックデータに加えて客観的な従業員の勤怠データを用いて人材リスクを評価することで評価の正確性の向上を図っている。しかし、例えば従業員が大きなストレスを抱えたまま出勤を続けている場合等、勤怠データが従業員のストレスを正確に反映していない場合があるため、勤怠データを用いても勤怠リスクを高精度に予測できないおそれがある。

【0005】

以上のような事情に鑑み、本発明の目的は、組織の従業員のストレスから生じる勤怠リスクを高精度に予測することが可能な情報処理装置、情報処理方法及びプログラムを提供することにある。

【課題を解決するための手段】

【0006】

上記目的を達成するため、本発明の一形態に係る情報処理装置は、記憶部と制御部とを有する。上記記憶部は、複数の被験者のストレスチェックの結果を示すストレスチェックデータと、上記被験者の勤怠労務データと、上記被験者の生体試料データとを基に多変量解析により生成された、ストレス予測重み付けパラメータ及び勤怠影響リスク予測重み付けパラメータとを記憶する。上記制御部は、組織に属する従業員の上記ストレスチェックデータ及び上記勤怠労務データに、上記ストレス予測重み付けパラメータを適用することで、現在から所定期間経過後における上記従業員のストレスを予測したストレス予測データを生成する。さらに制御部は、上記ストレス予測データに、上記勤怠影響リスク予測重み付けパラメータを適用することで、上記所定期間経過後における上記従業員の勤怠、生産性低下または退職のリスクを含む勤怠影響リスクを予測した勤怠影響リスク予測データを生成し、出力する。

【0007】

この構成により情報処理装置は、ストレスチェックデータと勤怠労務データに加えて、被験者の生体試料データを基に生成されたパラメータを用いることで、組織の従業員のストレスから生じる勤怠リスクを高精度に予測することができる。

【0008】

上記記憶部は、上記ストレス予測重み付けパラメータ及び上記勤怠影響リスク予測重み付けパラメータを、現在から複数の異なる期間経過後の各ストレス予測データ及び各勤怠影響リスク予測データの生成用に上記複数の異なる期間毎に記憶してもよい。この場合上記制御部は、上記複数の異なる期間経過後の上記ストレス予測データから上記複数の異なる期間経過後の上記勤怠影響リスク予測データをそれぞれ生成してもよい。

【0009】

これにより情報処理装置は、勤怠影響リスクの期間の経過毎の変化予測をユーザに把握させることができる。

【0010】

上記制御部は、上記生成した勤怠影響リスク予測データと、上記所定期間経過時点の勤怠労務データとを比較し、差分を算出して出力してもよい。

【0011】

これにより情報処理装置は、予測した所定期間経過後の勤怠影響リスクと、実際に所定期間経過後の勤怠労務結果との差分を出力することで、上記各種パラメータ等の改善に資することができる。

【0012】

上記制御部は、上記差分を基に、上記ストレス予測重み付けパラメータを更新するための関数を機械学習により構築し、当該関数を基に上記ストレス予測重み付けパラメータを更新してもよい。

【0013】

また上記制御部は、上記差分を基に、上記勤怠影響リスク予測重み付けパラメータを更新するための関数を機械学習により構築し、当該関数を基に上記勤怠影響リスク予測重み付けパラメータを更新してもよい。

【0014】

これにより情報処理装置は、勤怠影響リスク予測データと実際の勤怠データとの差分を基に、ストレス予測重み付けパラメータ及び勤怠影響リスク予測重み付けパラメータを改善することでき、そのための関数の構築に機械学習を用いることで、予測処理の増加に依存して予測精度を向上させることができる。

【0015】

上記制御部は、上記勤怠影響リスク予測データを基に、上記予測した勤怠影響リスクをチャートで示すとともに、現在よりも上記従業員の上記ストレスチェックの結果が改善または悪化した場合に予測される勤怠影響リスクをユーザの操作に応じてシミュレーションして提示可能なリスク予測結果表示画面インタフェースを生成してもよい。

【0016】

これにより情報処理装置は、勤怠影響リスクの予測結果をユーザに分かりやすく可視化することができ、さらに、現在のストレス状況がどのように変化することで勤怠影響リスクの予測結果がどのように変化するのかをシミュレーションしてユーザにリアルタイムに示すことができる。

【0017】

本発明の他の形態に係る情報法処理方法は、
複数の被験者のストレスチェックの結果を示すストレスチェックデータと、上記被験者の勤怠労務データと、上記被験者の生体試料データとを基に多変量解析により生成された、ストレス予測重み付けパラメータ及び勤怠影響リスク予測重み付けパラメータとを記憶し、
組織に属する従業員の上記ストレスチェックデータ及び上記勤怠労務データに、上記ストレス予測重み付けパラメータを適用することで、現在から所定期間経過後における上記従業員のストレスを予測したストレス予測データを生成し、
上記ストレス予測データに、上記勤怠影響リスク予測重み付けパラメータを適用することで、上記所定期間経過後における上記従業員の勤怠、生産性低下または退職のリスクを含む勤怠影響リスクを予測した勤怠影響リスク予測データを生成し、
上記勤怠影響リスク予測データを出力する、ことを含む。

【0018】

本発明の他の形態に係るプログラムは、情報処理装置に、
複数の被験者のストレスチェックの結果を示すストレスチェックデータと、上記被験者の勤怠労務データと、上記被験者の生体試料データとを基に多変量解析により生成された、ストレス予測重み付けパラメータ及び勤怠影響リスク予測重み付けパラメータとを記憶するステップと、
組織に属する従業員の上記ストレスチェックデータ及び上記勤怠労務データに、上記ストレス予測重み付けパラメータを適用することで、現在から所定期間経過後における上記従業員のストレスを予測したストレス予測データを生成するステップと、
上記ストレス予測データに、上記勤怠影響リスク予測重み付けパラメータを適用することで、上記所定期間経過後における上記従業員の勤怠、生産性低下または退職のリスクを含む勤怠影響リスクを予測した勤怠影響リスク予測データを生成するステップと、
上記勤怠影響リスク予測データを出力するステップと、を実行させる。

【発明の効果】

【0019】

以上説明したように、本発明によれば、組織の従業員のストレスから生じる勤怠リスクを高精度に予測することができる。しかし、当該効果は本発明を限定するものではない。

【図面の簡単な説明】

【0020】

【図1】本発明の一実施形態に係る勤怠影響リスク予測システムの構成を示した図である。

【図2】本発明の一実施形態に係る勤怠影響リスク予測サーバのハードウェア構成を示した図である。

【図3】本発明の一実施形態に係る勤怠影響リスク予測サーバが有する勤怠影響リスク予測アルゴリズムの構築処理を説明した図である。

【図4】本発明の一実施形態に係る勤怠影響リスク予測サーバによる勤怠影響リスク予測処理及びアルゴリズム改善処理の大まかな流れを示したフローチャートである。

【図5】本発明の一実施形態に係る勤怠影響リスク予測サーバによって生成されるリスク予測結果画面の表示例を示した図である。

【図6】本発明の一実施形態に係る勤怠影響リスク予測サーバによる勤怠影響リスク予測処理の流れを示したフローチャートである。

【図7】本発明の一実施形態に係る勤怠影響リスク予測サーバによるアルゴリズム改善処理のうちストレス予測重み付けパラメータの改善処理の流れを示したフローチャートである。

【図8】本発明の一実施形態に係る勤怠影響リスク予測サーバによるアルゴリズム改善処理のうち勤怠影響リスク予測重み付けパラメータの改善処理の流れを示したフローチャートである。

【発明を実施するための形態】

【0021】

以下、図面を参照しながら、本発明の実施形態を説明する。

【0022】

［システムの構成］
図１は、本実施形態に係る勤怠影響リスク予測システムの構成を示した図である。

【0023】

同図に示すように、このシステムは、インターネット５０上の勤怠影響リスク予測サーバ１００と、少なくとも１つのユーザ端末２００及び３００とを含む。

【0024】

勤怠影響リスク予測サーバ１００は、ＡＳＰ（Application Service Provider）またはＳａａｓ（Software as a Service）サービス形態で、企業組織の従業員のストレスに基づく勤怠影響リスクを予測してユーザ端末２００へ提供するサーバである。勤怠影響リスク予測サーバ１００は、ユーザ端末２００とインターネット５０を介して接続されている。

【0025】

詳細は後述するが、勤怠影響リスク予測サーバ１００は、ユーザ端末２００のユーザが属する企業組織の従業員のユーザ端末３００から入力されたストレスチェックデータ及び当該従業員の勤怠労務データを基に、当該従業員の近い将来（例えば、１ヵ月後／２ヶ月後／３ヵ月後）のストレスを予測し、当該予測したストレスを基に、上記近い将来における当該従業員の遅刻リスク、生産性低下リスク、休職・退職リスクといった勤怠影響リスクを予測してその予測結果をユーザ端末２００へ提示する。

【0026】

ユーザ端末２００（２００Ａ，２００Ｂ，２００Ｃ...）及び３００（３００Ａ，３００Ｂ，３００Ｃ...）は、ユーザにより使用される端末であり、例えばスマートフォン、携帯電話、タブレットＰＣ（Personal Computer）、ノートブックＰＣ、デスクトップＰＣ等である。

【0027】

ユーザ端末２００のユーザは、例えば事業者や人事部長等、従業者の勤怠影響リスクを評価する立場にいる管理者である。ユーザ端末２００は、勤怠影響リスク予測サーバ１００へアクセスし、上記勤怠影響リスクの予測結果画面を受信してブラウザ等により画面に表示する。

【0028】

ユーザ端末３００のユーザは、上記企業組織において上記管理者に管理される従業員である。ユーザ端末３００は、従業員から、後述する所定のストレスチェック項目を有するストレスチェックデータの入力を、ブラウザ等を介して受け付け、当該ストレスチェックデータを勤怠影響リスク予測サーバ１００へ送信する。

【0029】

［勤怠影響リスク予測サーバのハードウェア構成］
図２は、上記勤怠影響リスク予測サーバ１００のハードウェア構成を示した図である。同図に示すように、勤怠影響リスク予測サーバ１００は、ＣＰＵ（Central Processing Unit）１１、ＲＯＭ（Read Only Memory）１２、ＲＡＭ（Random Access Memory）１３、入出力インタフェース１５、及び、これらを互いに接続するバス１４を備える。

【0030】

ＣＰＵ１１は、必要に応じてＲＡＭ１３等に適宜アクセスし、各種演算処理を行いながら勤怠影響リスク予測サーバ１００の各ブロック全体を統括的に制御する。ＲＯＭ１２は、ＣＰＵ１１に実行させるＯＳ、プログラムや各種パラメータなどのファームウェアが固定的に記憶されている不揮発性のメモリである。ＲＡＭ１３は、ＣＰＵ１１の作業用領域等として用いられ、ＯＳ、実行中の各種アプリケーション、処理中の各種データを一時的に保持する。

【0031】

入出力インタフェース１５には、表示部１６、操作受付部１７、記憶部１８、通信部１９等が接続される。

【0032】

表示部１６は、例えばＬＣＤ（Liquid Crystal Display）、ＯＥＬＤ（Organic ElectroLuminescence Display）、ＣＲＴ（Cathode Ray Tube）等を用いた表示デバイスである。

【0033】

操作受付部１７は、例えばマウス等のポインティングデバイス、キーボード、タッチパネル、その他の入力装置である。操作受付部１７がタッチパネルである場合、そのタッチパネルは表示部１６と一体となり得る。

【0034】

記憶部１８は、例えばＨＤＤ（Hard Disk Drive）や、フラッシュメモリ（ＳＳＤ；Solid State Drive）、その他の固体メモリ等の不揮発性メモリである。当該記憶部１８には、上記ＯＳや各種アプリケーション、各種データが記憶される。

【0035】

特に本実施形態では、記憶部１８は、勤怠影響リスクを予測するためのアプリケーションその他のプログラム、データを記憶している。このようなデータの詳細については後述する。

【0036】

通信部１９は、例えばEthernet用のＮＩＣ（Network Interface Card）や無線ＬＡＮ等の無線通信用の各種モジュールであり、上記ユーザ端末２００及び３００との間の通信処理を担う。

【0037】

なお、図示しないが、ユーザ端末２００及び３００の基本的なハードウェア構成も上記勤怠影響リスク予測サーバ１００のハードウェア構成と略同様である。

【0038】

また、ユーザ端末２００には、勤怠影響リスク予測サーバ１００による勤怠影響リスク予測処理の結果を閲覧するためのアプリケーションがインストールされているものとする。

【0039】

［勤怠影響リスク予測アルゴリズム］
勤怠影響リスク予測サーバ１００は、上記勤怠影響リスク予測結果の提供サービスの開始に先立ち、勤怠影響リスク予測アルゴリズムを構築する。図３は、当該勤怠影響リスク予測アルゴリズムの構築処理を説明した図である。

【0040】

同図に示すように、勤怠影響リスク予測サーバ１００は、厚生労働省のストレスチェックシート回答結果２１と、勤怠労務データ２２と、コルチゾール濃度データ２３とを基にした多変量解析により、勤怠影響リスク予測アルゴリズム３０を構築する。当該勤怠影響リスク予測アルゴリズム３０は、ストレス予測重み付けパラメータテーブル３１及び勤怠影響リスク予測重み付けパラメータテーブル３２を含む。

【0041】

上記ストレスチェックシート回答結果２１は、改正労働安全衛生法に基づいて平成２７年１２月に施行されたストレスチェック制度が事業者にて円滑に導入できるよう厚生労働省が提供している、ストレスチェックの受検、結果出力、集団分析等ができるプログラムにより、複数のストレスチェック項目に対して被験者が回答した結果を示すデータである。

【0042】

上記複数のストレスチェック項目としては、例えば、５７の設問（またはその簡易版の２３の設問）からなる厚生労働省指針の「職業性ストレス簡易調査表」を用いることができる。この「職業性ストレス簡易調査表」には、「非常にたくさんの仕事をしなければならない」「時間内に仕事が処理しきれない」といった業務そのものに対する設問の他、「職場の仕事の方針に自分の意見を反映できる」「私の部署内で意見の食い違いがある」「私の職場の雰囲気は友好的である」「次の人達はどのくらい気軽に話ができますか－上司、職場の同僚」等、職場環境、職場の周りの人間に対する設問が含まれる。

【0043】

上記ストレスチェックのための各設問は、「仕事のストレス要因（例えば、仕事の負担や対人関係のストレス等。以下、単に「要因」ともいう。）」「心身のストレス反応（例えば、イライラ感や疲労感等。以下、単に「反応」ともいう。）」「周囲のサポート（例えば、上司や同僚との話しやすさ等。以下、単に「環境」ともいう。）」の３領域に分類されている。各設問の各回答には、項目の該当度を判断するための素点が予め与えられており、勤怠影響リスク予測サーバ１００は、それら項目ごとにこれらの点数を集計し、この合計点に応じて項目ごとの該当度を決定する。

【0044】

上記被験者は、上記ユーザ端末２００及び３００が属する企業組織とは異なる企業組織に属する従業員からランダムに抽出された複数の従業員である。上記データは、管理者側が個々の従業員毎のＩＤを割り振ったのち、匿名化される。

【0045】

上記勤怠労務データ２２は、上記被験者の所定期間に亘る出勤、退勤、遅刻、休暇、欠勤等に関するデータである。当該データも、上記ストレスチェックシート回答結果２１と同様のＩＤを割り振られたのちに匿名化される。

【0046】

上記コルチゾール濃度データ２３は、上記被験者の唾液中のコルチゾール濃度を示すデータである。コルチゾールは、副腎皮質ホルモンである糖質コルチコイドの一種であり、ストレス（比較的強度の高いストレス）によって分泌される。当該データも、上記と同様に匿名化される。

【0047】

勤怠影響リスク予測サーバ１００は、上記ストレスチェックシート回答結果２１のうち、ストレスに影響する項目を抽出したデータと上記勤怠労務データ２２とをマージしたデータを説明変数とし、上記コルチゾール濃度２３を被説明変数として、被験者の１カ月後のストレス／２カ月後のストレス／３カ月後ストレスをそれぞれ予測するモデルを選択して多変量解析を行い、ストレス予測重み付けパラメータを選択することで、上記ストレス予測重み付けパラメータテーブル３１を生成する。当該パラメータの選択には、例えばＡＩＣ（Akaike's Information Criterion）が用いられる。

【0048】

上記ストレスに影響する項目（以下、ストレス影響項目）とは、例えば、性別、年齢、性格（外向性）、性格（協調性）、性格（勤勉性）、性格（神経症傾向）、性格（開放性）、虚偽傾向、うつ傾向、仕事の負担感、
環境的ストレス等である。

【0049】

また勤怠影響リスク予測サーバ１００は、上記マージしたデータを説明変数とし、上記被験者の１カ月後／２カ月後／３カ月後における健康上の問題による労働生産性の低下率（または、遅刻率、休職率、退職率）を被説明変数として、被験者の１カ月後のストレス／２カ月後のストレス／３カ月後ストレスをそれぞれ予測するモデルを選択して多変量解析を行い、勤怠影響リスク予測重み付けパラメータを例えば上記ＡＩＣを用いて選択することで、上記勤怠影響リスク予測重み付けパラメータテーブル３１を生成する。

【0050】

当該勤怠影響リスク予測アルゴリズム３０（ストレス予測重み付けパラメータテーブル３１及び勤怠影響リスク予測重み付けパラメータテーブル３２）は、記憶部１８に記憶され、後述する勤怠影響リスク予測処理及び勤怠影響リスク予測アルゴリズム改善処理に用いられる。

【0051】

このストレス予測重み付けパラメータテーブル３１と勤怠影響リスク予測重み付けパラメータテーブル３２は、例えばいずれも、以下の１～１１の項目のパラメータを有する。ただし、これらのうちいずれかの項目のパラメータが用いられなくてもよい。
１． 性別に対する重みづけパラメータ
２． 年齢に対する重みづけパラメータ
３． 性格（外向性）に対する重みづけパラメータ
４． 性格（協調性）に対する重みづけパラメータ
５． 性格（勤勉性）に対する重みづけパラメータ
６． 性格（神経症傾向）に対する重みづけパラメータ
７． 性格（開放性）に対する重みづけパラメータ
８． 虚偽傾向に対する重みづけパラメータ
９． うつ傾向に対する重みづけパラメータ
１０．仕事の負担感に対する重みづけパラメータ
１１．環境的ストレスに対する重みづけパラメータ

【0052】

これらの項目１～１１のパラメータは、１カ月後ストレス／２ヶ月後ストレス／３か月後ストレス毎に異なった値のものが生成される。後述するが、これらパラメータは、勤怠影響リスク予測アルゴリズム３０がアルゴリズム改善処理を経て随時改善される度に変化する。これらパラメータのうち、１カ月後ストレスに対応する各パラメータの中では、特に、性別、性格（外向性）、性格（協調性）、環境的ストレスに対するパラメータの予測への寄与が変化する。一方、２ヶ月後ストレス及び３ヵ月後ストレスに対応する各の中では、１カ月後ストレスに比べ、特に、性格（協調性）に対するパラメータの予測への寄与が変化する。また、上記アルゴリズム改善処理により、上記１～１１の項目のパラメータが絞り込まれたり、いずれか複数のパラメータが統合されたりする場合があり得る。

【0053】

また、勤怠影響リスク予測重み付けパラメータは、遅刻リスク、生産性低下リスク、休職・退職リスクの各リスク毎に生成され、上記アルゴリズム改善処理の度に変化する。これらのうち、遅刻リスクに対応するパラメータにおいては、特に、１カ月後ストレスに対応する各パラメータの予測への寄与が変化する。また、生産性低下リスクに対応するパラメータにおいては、特に、性別、性格（外向性）、性格（神経症傾向）、性格（開放性）、仕事の負担、環境的ストレスに対するパラメータの予測への寄与が変化する。また、休職・退職リスクに対応するパラメータにおいては、特に、年齢、遅刻回数、労働生産性低下度に対するパラメータの予測への寄与が変化する。

【0054】

［勤怠影響リスク予測サーバの動作］
次に、以上のように構成された勤怠影響リスク予測サーバ１００の動作について説明する。当該動作は、勤怠影響リスク予測サーバ１００のＣＰＵ１１及び通信部１９等のハードウェアと、記憶部１８に記憶されたソフトウェアとの協働により実行される。以下の説明では、便宜上、ＣＰＵ１１を動作主体とする。

【0055】

図４は、勤怠影響リスク予測サーバ１００による動作の大まかな流れを示したフローチャートである。当該動作は、上述したように、勤怠影響リスク予測処理と、上記勤怠影響リスク予測アルゴリズムの改善処理に大別される。

【0056】

同図に示すように、勤怠影響リスク予測サーバ１００のＣＰＵ１１はまず、上記ユーザ端末３００のユーザである複数の従業員の上記厚労省ストレスチェックシート回答結果２１、勤怠労務データ２２を基に、上記勤怠影響リスク予測アルゴリズム３０によって勤怠影響リスクを予測する（ステップ１０１）。

【0057】

当該勤怠影響リスクは、遅刻リスク予測データ４１、生産性低下リスク予測データ４２、休職・退職リスク予測データ４３に分類されそれぞれ記憶される。

【0058】

遅刻リスク予測データ４１は、１ヵ月後ストレス予測データ、２ヶ月後ストレス予測データ、３ヵ月後ストレス予測データに対して、上記勤怠影響リスク予測重み付けパラメータのうち、遅刻リスク計算のためのパラメータを掛け合わせ、重み付けした値を集計した値である。

【0059】

生産性低下リスク予測データ４２は、１ヵ月後ストレス予測データ、２ヶ月後ストレス予測データ、３ヵ月後ストレス予測データに対して、上記勤怠影響リスク予測重み付けパラメータのうち、生産性低下リスク計算のためのパラメータを掛け合わせ、重みづけした値を集計した値である。

【0060】

休職・退職リスク予測データ４３は、１ヵ月後ストレス予測データ、２ヶ月後ストレス予測データ、３ヵ月後ストレス予測データに対して、上記勤怠影響リスク予測重み付けパラメータのうち、休職・退職リスク計算のためのパラメータを掛け合わせ、重みづけした値を集計した値である。

【0061】

続いてＣＰＵ１１は、当該遅刻リスク４１、生産性低下リスク４２及び休職・退職リスク４３の各予測結果をチャートで示したリスク予測結果表示画面を生成し、例えばユーザ端末２００からの要求に応じて当該画面を、ブラウザを介してユーザ端末３００に表示させる（ステップ１０２）。

【0062】

図５は、当該リスク予測結果表示画面の例を示した図である。

【0063】

同図に示すように、当該画面は、リスク予測結果表示部６０と、シミュレーション操作受付部７０とを有する。

【0064】

リスク予測結果表示画面６０は、高リスク者数表示領域６１、ストレス分布表示領域６２、リスク分布（仕事の負担）表示領域６３及びリスク分布（環境的ストレス）表示領域６４を有する。

【0065】

高リスク者数表示領域６１は、１ヵ月後、２ヶ月後、３ヵ月後の勤怠影響高リスク者の数を、遅刻リスク、生産性低下リスク、休職・退職リスク毎に区分けして示した領域である。

【0066】

ストレス分布表示領域６２は、１ヵ月後、２ヶ月後、３ヵ月後の休職・退職リスクに関する従業員のストレス値の分布をそれぞれ示した領域である。

【0067】

リスク分布（仕事の負担）表示領域６３及びリスク分布（環境的ストレス）表示領域６４は、上記ストレス予測重み付けパラメータ及び勤怠影響リスク予測重み付けパラメータのうち、仕事の負担感に対するパラメータ及び環境的ストレスに対するパラメータをそれぞれＹ軸に、ストレス・心理傾向（うつ傾向）の値をＸ軸に取り、それらに対する高リスク者の分布をそれぞれ示した領域である。

【0068】

シミュレーション操作受付部７０は、現在よりも上記従業員の上記ストレスチェックの結果が改善または悪化した場合に予測される勤怠影響リスクをユーザの操作に応じてシミュレーションして提示するためのユーザの操作を受け付けるユーザインタフェースである。

【0069】

当該シミュレーション操作受付部７０は、上記ストレスチェック項目の「要因」「反応」「環境」の分類ごとに、それらのストレス度合を現在よりも悪化方向（例えば上方向）と改善方向（例えば下方向）へ移動操作することが可能なシミュレーションバー７１、７２、７３を有する。

【0070】

ユーザがこのシミュレーションバー７１～７３のいずれかを移動操作すると、ＣＰＵ１１は、その移動量に応じた悪化度または改善度に応じて、上記リスク予測結果表示画面６０の全ての領域６１～６４のチャートを更新する（図４のステップ１０３）。

【0071】

これによりユーザは、従業員のストレスが現在よりも悪化した場合の高リスク者数、高ストレス者数、改善した場合の高リスク者数、高ストレス者数を視覚的に容易かつリアルタイムに確認可能となる。

【0072】

図４に戻り、ＣＰＵ１１は、上記生成した遅刻リスク予測データ４１、生産性低下予測データ４２及び休職・退職リスク予測データ４３と、３ヵ月後における３か月分の上記従業員の勤怠労務データ２２ａ（実際の遅刻回数、生産性低下度及び休職・退職回数）とを比較し、それらの差分を計算し、差分データ４５を生成する（ステップ１０４）。

【0073】

続いてＣＰＵ１１は、当該リスクと予測結果の差分データ４５と、上記厚労省ストレスチェックシート回答結果２１とを基に、現在の勤怠影響リスク予測アルゴリズム３０を修正（改善）して更新する（ステップ１０５）。

【0074】

以下、以上の勤怠影響リスク予測処理及び勤怠影響リスク予測アルゴリズム改善処理の詳細について説明する。

【0075】

（勤怠影響リスク予測処理）
図６は、勤怠影響リスク予測サーバ１００による上記勤怠影響リスク予測処理の詳細な流れを示したフローチャートである。

【0076】

同図に示すように、ＣＰＵ１１は、上記厚労省ストレスチェックシート回答結果２１と勤怠労務データ２２とを、人事部等において割り振られたＩＤをキーにして突合（マージ）して、ストレスチェック回答結果・勤怠労務データ突合データ５１を生成する（ステップ１１１）。

【0077】

続いてＣＰＵ１１は、当該突合データ５１から、ストレス影響データ項目を抽出してストレス影響項目データ５２を生成する（ステップ１１２）。

【0078】

ここでストレス影響項目データとは、上記ストレス予測重み付けパラメータ及び勤怠影響リスク予測重み付けパラメータが有する例えば１１個のパラメータ項目に対応する、「性別」、「年齢」、「性格（外向性）」、「性格（協調性）」、「性格（勤勉性）」、「性格（神経症傾向）」、
「性格（開放性）」、「虚偽傾向」、「うつ傾向」、「仕事の負担感」、「環境的ストレス」の各項目の値を示すデータである。ただし、当該ストレス影響項目データについても、上記アルゴリズム改善処理に伴って絞り込まれたり統合されたりする場合があり得る。

【0079】

続いてＣＰＵ１１は、当該ストレス影響項目データ５２と上記ストレス予測重み付けパラメータテーブル３１の各パラメータとを掛け合わせ、１ヵ月後ストレス、２ヶ月後ストレス、３ヵ月後ストレスを予測計算し、１ヵ月後ストレス予測データ５３、２ヶ月後ストレス予測データ５４及び３ヵ月後ストレス予測データ５５を生成する（ステップ１１３）。

【0080】

すなわち、１ヵ月後ストレス予測データ５３は、上記ストレス影響項目データに、上記ストレス予測重み付けパラメータのうち１ヵ月後ストレスの計算のためのパラメータを掛け合わせ、重み付けした値を集計した値である。

【0081】

同様に、２ヶ月後ストレス予測データ５４は、上記ストレス影響項目データに、上記ストレス予測重み付けパラメータのうち２ヵ月後ストレスの計算のためのパラメータを掛け合わせ、重み付けした値を集計した値である。

【0082】

同様に、３ヶ月後ストレス予測データ５５は、上記ストレス影響項目データに、上記ストレス予測重み付けパラメータのうち３ヵ月後ストレスの計算のためのパラメータを掛け合わせ、重み付けした値を集計した値である。

【0083】

続いてＣＰＵ１１は、上記１ヵ月後ストレス予測データ５３、２ヶ月後ストレス予測データ５４及び３ヵ月後ストレス予測データ５５と、上記勤怠影響リスク予測重み付けパラメータテーブル３２の遅刻リスク、生産性低下リスク、休職・退職リスクの各計算用の各パラメータとを掛け合わせ、重み付けした値を集計することで、勤怠影響リスク（遅刻リスク、生産性低下リスク、休職・退職リスク）を予測計算し、遅刻リスク予測データ４１、生産性低下リスク予測データ４２及び休職・退職リスク予測データ４３を生成する（ステップ１１４）。

【0084】

（勤怠影響リスク予測アルゴリズム改善処理）
図７は、勤怠影響リスク予測サーバ１００による勤怠影響リスク予測アルゴリズム改善処理のうち、ストレス予測重み付けパラメータの改善処理の流れを示したフローチャートである。

【0085】

同図に示すように、ＣＰＵ１１は、上記生成した遅刻リスク予測データ４１、生産性低下リスク予測データ４２及び休職・退職リスク予測データ４３と、リスク予測から３ヵ月後の３ヵ月分の従業員の勤怠労務データ２２ａの実際の遅刻回数、生産性低下度及び休職・退職回数とを比較して差分を計算し、上記差分データ４５を生成する（ステップ１２１）。

【0086】

続いてＣＰＵ１１は、上記差分データ４５と、上記ストレス影響項目データ５２と、上記ストレス予測重み付けパラメータテーブル３１の１ヵ月後ストレス／２ヶ月後ストレス／３ヵ月後ストレスの各計算用のパラメータを基に、個々の従業員の勤怠影響リスクの予測データと実際の勤怠結果との差分の法則性を、多変量解析モデルやＡＩを用いた機械学習により予測し、ストレス予測重み付けパラメータ推計関数８１として構築する（ステップ１２２）。

【0087】

そしてＣＰＵ１１は、上記ストレス予測重み付けパラメータ推計関数８１を基に、１ヵ月後ストレス／２ヶ月後ストレス／３ヵ月後ストレスの各計算のためのストレス予測重み付けパラメータを修正し、ストレス予測重み付けパラメータテーブル３１を更新する（ステップ１２３）。

【0088】

図８は、勤怠影響リスク予測サーバ１００による勤怠影響リスク予測アルゴリズム改善処理のうち、勤怠影響リスク予測重み付けパラメータの改善処理の流れを示したフローチャートである。

【0089】

同図に示すように、ＣＰＵ１１は、上記差分データ４５と、上記１ヵ月後ストレス予測データ５３、２ヶ月後ストレス予測データ５４及び３ヵ月後ストレス予測データ５５と、上記遅刻リスク／生産性低下リスク／休職・退職リスク計算のための各勤怠影響リスク予測パラメータとを基に、個々の従業員の勤怠影響リスクの予測データと実際の勤怠結果との差分の法則性を、多変量解析モデルやＡＩを用いた機械学習により予測し、勤怠影響リスク予測重み付けパラメータ推計関数９１として構築する（ステップ１３１）。

【0090】

そしてＣＰＵ１１は、上記勤怠影響リスク予測重み付けパラメータ推計関数９１を基に、遅刻リスク／生産性低下リスク／休職・退職リスクの各計算のための勤怠影響リスク予測重み付けパラメータを修正し、勤怠影響リスク予測重み付けパラメータテーブル３２を更新する（ステップ１３２）。

【0091】

これにより勤怠影響リスク予測サーバ１００は、勤怠影響リスク予測データと実際の勤怠データとの差分を基に、ストレス予測重み付けパラメータ及び勤怠影響リスク予測重み付けパラメータを改善することでき、そのための関数の構築にＡＩによる機械学習を用いることで、予測処理の増加に依存して予測精度を向上させることができる。

【0092】

［まとめ］
以上説明したように、本実施形態によれば、勤怠影響リスク予測サーバ１００は、ストレスチェックデータと勤怠労務データに加えて、被験者の生体試料データ（唾液中のコルチゾール濃度）を基に生成された勤怠影響リスク予測アルゴリズム３０（ストレス予測重み付けパラメータ及び勤怠影響リスク予測パラメータ）を用いることで、企業組織の従業員のストレスから生じる勤怠影響リスクを高精度に予測することができる。

【0093】

［変形例］
本発明は上述の実施形態にのみ限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々変更され得る。

【0094】

上述の実施形態では、勤怠影響リスク予測サーバ１００は、ＡＳＰまたはＳａａｓの形態でクラウド上のサーバとして実現されたが、企業組織内のＬＡＮ（Local Area Network）上のサーバとして実現されてもよい。また、勤怠影響リスク予測サーバ１００の機能が、全てユーザ端末２００にインストールされるアプリケーションソフトウェアで完結して実現されてもよい。また勤怠影響リスク予測サーバ１００の機能が、複数のサーバで分散して（例えば勤怠影響リスク予測処理と、ＡＩを用いた勤怠影響リスク予測アルゴリズムの改善処理とが別個のサーバで）実行されてもよい。

【0095】

上述の実施形態では、勤怠影響リスク予測アルゴリズム（ストレス予測重み付けパラメータ及び勤怠影響リスク予測重み付けパラメータ）の構築に用いられる生体試料として、被験者の唾液中のコルチゾール濃度が挙げられたが、それ以外の生体試料が用いられてもよい。そのような生体試料としては、例えば、αアミラーゼ、Ｓ－ＩｇＡ（分泌型免疫グロブリンＡ）、ＤＨＥＡ－Ｓ（デヒドロエピアンドロステロンサルフェート）、オキシトシン、ＩＬ（インターロイキン）－６、ＩＬ（インターロイキン）－１β、または脳波等が挙げられる。

【0096】

上述の実施形態では、勤怠影響リスク予測結果は、従業員の管理者たるユーザ端末２００のユーザに対して提示された。しかし、当該勤怠影響リスク予測結果は、当該勤怠影響リスクを有する従業員本人に対してユーザ端末３００を介して提示されてもよい。その場合の勤怠影響リスク予測結果表示画面は、上記図５で示したような、複数の従業員のリスクを示すものではなく、当該従業員本人のリスクのみを１ヵ月後、２ヶ月後、３ヵ月後のそれぞれについて示すものであり得る。またその場合、勤怠影響リスクは、遅刻、生産性低下、休職・退職といったリスク種別毎に分類されていなくても構わない。

【0097】

また、上述の実施形態においては、１ヵ月後、２ヶ月後、３ヵ月後のストレス及び勤怠影響リスクが予測されたが、例えば半年後、１年後等、それら以外の複数の異なる期間経過後のストレス及び勤怠影響リスクが予測され提示されてもよい。

【0098】

上述の実施形態においては、勤怠影響リスクとして、遅刻リスク、生産性低下リスク、及び休職・退職リスクが予測されたが、予測される勤怠影響リスクはこれらのうち少なくとも１つであってもよく、またこれら以外のリスク（例えば訴訟リスク、コンプライアンス違反リスク等）であってもよい。

【0099】

上述の実施形態においては、ストレス影響項目として、性別、年齢、性格（外向性）、性格（協調性）、性格（勤勉性）、性格（神経症傾向）、性格（開放性）、虚偽傾向、うつ傾向、仕事の負担感、環境的ストレス等が挙げられたが、ストレス影響項目はこれらに限られず、またこれらの項目を絞り込んだり、統合して使用することも可能である。

【0100】

本願の特許請求の範囲に記載された発明のうち、「情報処理方法」と記載された発明は、その各ステップを、ソフトウェアによる情報処理によりコンピュータ等の少なくとも１つの装置が自動的に行うものであり、人間がコンピュータ等の装置を用いて行うものではない。すなわち、当該「情報処理方法」は、コンピュータ・ソフトウェアによる情報処理方法であって、コンピュータという計算道具を人間が操作する方法ではない。

【符号の説明】

【0101】

１１…ＣＰＵ
１８…記憶部
１９…通信部
２１…厚労省ストレスチェックシート回答結果
２２…勤怠労務データ
２３…コルチゾール濃度データ
３１…ストレス予測重み付けパラメータテーブル
３２…勤怠影響リスク予測重み付けパラメータテーブル
４１…遅刻リスク予測データ
４２…生産性低下リスク予測データ
４３…休職・退職リスク予測データ
１００…勤怠影響リスク予測サーバ
２００・３００…ユーザ端末

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】