JP6983145B2 - データ処理システム、方法、およびプログラム - Google Patents

Description

本発明は、人間の行動に関するデータを処理する技術に関する。

少子高齢化が加速されることに伴う労働人口の減少が現実的な問題となってきている。企業などの組織では、生産性や競争力を維持し向上するために、継続的に人的リソースを確保し、かつ、その人的リソースを有効に活用することが求められる。

それを実現するためにＩＴ（Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ）技術の活用が期待される。そして一部の分野では有効な手法が実現されている。

例えば、ＩＴ技術により人的リソースの一部の業務を軽減したり、代替したりすることが推進されている（特許文献１参照）。例えば、ＲＰＡ（Ｒｏｂｏｔｉｃ Ｐｒｏｃｅｓｓ Ａｕｔｏｍａｔｉｏｎ）により人的リソースの業務を軽減したり、人的リソースの業務をＲＰＡが代替して実行したりすることが期待できる。

特開２０１８−０２２２５７号公報

更に、様々な分野でＩＴ技術により人自体の行動を分析し、その分析結果を利用することが望まれている。例えば、企業などの組織では、従業員の行動を分析し、分析結果を利用して従業員の能力を有効に活用できるようにすることが望まれる。具体的には、休職や離職の抑制、生産性の高い働き方、生産性を向上させる人材配置、などの実現が期待される。

しかしながら、人の行動データにはノイズとなるデータが多く含まれており、またデータの多様性が高いため、有効な分析結果が得られない場合が多い。例えば、重回帰分析でノイズを特徴量としてとらえてしまうことがある。また機械学習ではノイズを過学習してしまうことがある。従業員の休職、離職、生産性の高低などには複数の要因が複雑に関連し合っているため、予測アルゴリズムの精度向上が困難である。

本発明の目的は、人の行動を有効に分析する技術を提供することである。

本発明の１つの実施態様に従うデータ処理システムは、人の行動に関するデータを処理するデータ処理システムであって、人による所定の行動項目の行動を計測した計測値を蓄積した行動データを格納するデータ管理部と、行動項目毎に計測値に対応する色を定めた着色規則と、行動項目毎に前記着色規則で着色された領域を画像のどこに配置するかを定めた配置規則とを用いて、人毎に、所定期間の行動データに含まれる各行動項目の計測値に対応する色に着色した領域を配置した行動画像を生成する画像出力部と、人の行動画像と当該人の性質および／または状態を示す正解情報とを学習し、前記学習結果に基づいて、人の行動画像から当該人の性質および／または状態を推定する画像分析部と、を有する。

人的リソースの能力の有効活用を支援することができる。

実施例１に係るデータ処理システムの構成例を示す図である。 勤務管理装置の構成例を示す図である。 画像出力装置の構成例を示す図である。 画像分析装置の構成例を示す図である。 勤務日次テーブルの構成例を示す図である。 着色規則の構成例を示す図である。 配置規則の構成例を示す図である。 行動画像データの一例を示す図である。 行動画像の一例を示す模式図である。 画像再学習処理の一例を示すフローチャートである。 表示データの表示例を示す図である。 本開示に係る装置のハードウェア構成の一例を示す図である。 勤務管理装置による情報収集について説明するための図である。 行動データの一例を示す図である。 実施例２に係る優先度テーブルの一例を示す図である。 実施例２に係る行動画像の一例を示す模式図である。

以下、本発明の実施形態について図面を参照して説明する。

図１は、実施例１に係るデータ処理システムの構成例を示す図である。

データ処理システム１００は、人の行動に関するデータを処理するためのシステムである。データ処理システム１００は、図１に示すように、データ管理部の一例である勤務管理装置１０１と、画像出力部の一例である画像出力装置２０１と、画像分析部の一例である画像分析装置３０１と、端末装置８０１とを備える。これらの装置１０１，２０１，３０１，８０１は、有線ＬＡＮ（Local Area Network）及び／又は無線ＬＡＮ等のネットワーク９０１に接続されており、互いにデータを送受信可能である。なお、これらの装置１０１，２０１，３０１，８０１は、それぞれ、図１２に示す計算機装置であってもよい。また、これらの装置１０１，２０１，３０１の少なくとも２つが１つの計算機装置として構成されてもよい。

図２は、勤務管理装置１０１の構成例を示す図である。

図２に示すように、勤務管理装置１０１は、勤務日次取得処理部１０２を有する。勤務日次取得処理部１０２は、例えば、所定のＤＢ（DataBase）等から、行動データの一例である勤務日次テーブル１０３を取得し、記憶装置（図１２参照）に蓄積する。

行動データは、人による所定の行動項目の行動を測定した計測値を蓄積したデータである。行動データの一例である勤務日次テーブル１０３において、行動項目の一例は「出勤時刻」であり、行動項目「出勤時刻」に対応する計測値の一例は社員が実際に出勤した時刻である。なお、勤務日次テーブル１０３の詳細については後述する（図５参照）。

図３は、画像出力装置２０１の構成例を示す図である。

図３に示すように、画像出力装置２０１は、行動画像生成処理部２０２を有する。行動画像生成処理部２０２は、勤務日次テーブル１０３から、着色規則２０４と配置規則２０５とを含む画像生成規則２０６を用いて、人（社員）ごとに、行動画像２０３を生成する。

着色規則２０４は、行動項目毎に計測値に対応する色を定めたものである。配置規則２０５は、行動項目毎に着色規則２０４で着色された領域（マス）を画像のどこに配置するかを定めたものである。なお、着色規則２０４及び配置規則２０５の詳細については後述する（図６参照）。

行動画像２０３は、所定期間の行動データに含まれる各行動項目の計測値に対応する色に着色した領域を配置したものである。なお、行動画像２０３の詳細については後述する（図８及び図９参照）。

図４は、画像分析装置３０１の構成例を示す図である。

図４に示すように、画像分析装置３０１は、画像入力処理部３０２、画像学習処理部３０３、画像分類処理部３０４、及び結果出力処理部３０５を有する。

画像入力処理部３０２は、画像出力装置２０１によって生成された行動画像２０３の入力を受け付ける。

画像学習処理部３０３は、大量の行動画像２０３を学習し、行動画像２０３を、画像的に共通の特徴を有する群に分類するための推定アルゴリズムを生成する。例えば、画像学習処理部３０３は、ディープラーニングによって大量の行動画像２０３を学習し、推定アルゴリズムに相当するニューラルネットワークのモデルを生成する。このように、画像化によってノイズが抑制されたディープラーニングにより、複雑な人の行動を精度よく分析できる。

また、画像学習処理部３０３は、各群に対して、正解情報を対応付ける。例えば、管理者は、同じ群に属する行動画像２０３に対応する人々の性質及び／又は状態（つまり人の行動パターン）を示す正解情報を、その群に対応付ける。このように、人の行動のデータを画像化し、その画像を処理して、人の性質および／または状態を推定することにより、人の行動を有効に分析することができる。

画像分類処理部３０４は、画像学習処理部３０３によって生成された推定アルゴリズムを用いて、対象者の行動画像２０３を何れかの群に分類する。そして、画像分類処理部３０４は、その群に対応付けられている正解情報を、分類結果３０６として生成する。すなわち、画像分類処理部３０４は、推定アルゴリズムを用いて、対象者の行動パターンを推定する。このように、人の行動のデータを画像化して学習した推定アルゴリズムを用いて対象者の性質および／または状態を推定することにより、対象者の行動を有効に分析することができる。

結果出力処理部３０５は、情報提示部の一例であり、画像分類処理部３０４によって生成された分類結果３０６から、表示データ３０７を生成し、表示装置（図１２参照）に表示する。これにより、対象者の性質および／または状態やそれに対する活用施策を提示することができるので、人の能力の有効活用を支援することができる。

また、結果出力処理部３０５は、対象者の行動画像２０３を表示装置に表示してもよい。これにより、管理者は対象者の性質および／または状態を行動画像２０３によって直感的に把握することができる。

図５は、勤務日次テーブル１０３の構成例を示す図である。

図５に示すように、勤務日次テーブル１０３は、データ項目として、社員ＩＤと、年月日と、出勤時刻と、退勤時刻とを有する。例えば、図５の１行目は、「社員Ａ」が、「２０１８／０７／０１」に、「０８：２５」に出勤し、「１８：０５」に退勤したことを示す。

図６は、着色規則２０４の構成例を示す図である。

着色規則２０４は、例えば、労働した時間に関連する行動項目については、同一の行動項目の領域は同一の色相とし、労働した時間が長くなるほど濃い色調となるように定める。このように着色規則２０４を定めることにより、労働の時間が長い従事者の勤務画像には色の濃い領域が現れるようになるので、直感的に従事者の労働時間の長短を把握することができる。

図６の上段のテーブルは、行動項目と、配色種別と、色相との対応関係を定める例である。

図６の上段のテーブルの１行目は、行動項目「始業時刻」に対して、配色種別「濃淡１」、色相「青」を用いることを定める。ここで、「濃淡１」は、図６の下段のテーブルの１行目に示すように、範囲「最小値〜１０％未満」には濃淡「濃」を、範囲「１０％以上〜６０％未満」には濃淡「やや濃」を、範囲「６０％以上〜９０％未満」には濃淡「やや淡」を、範囲「９０％以上〜最大値」には濃淡「淡」を用いることを定める。すなわち、この着色規則２０４に従えば、行動画像２０３において、行動項目「始業時刻」のマスは、時刻が早いほど濃い色調で着色される。

図６の上段のテーブルの２行目は、行動項目「終業時刻」に対して、配色種別「濃淡２」、色相「緑」を用いることを定める。ここで、「濃淡２」は、図６の下段のテーブルの２行目に示すように、範囲「最小値〜１０％未満」には濃淡「淡」を、範囲「１０％以上〜６０％未満」には濃淡「やや淡」を、範囲「６０％以上〜９０％未満」には濃淡「やや濃」を、範囲「９０％以上〜最大値」には濃淡「濃」を用いることを定める。すなわち、この着色規則２０４に従えば、行動画像２０３において、行動項目「就業時刻」のマスは、時刻が遅いほど濃い色調で着色される。

図６の上段のテーブルの４行目は、行動項目「健康管理時間」に対して、配色種別「色分け１」、色相「１：青、２：緑、３：黄、４：赤」を用いることを定める。ここで、「色分け１」は、図６の下段のテーブルの３行目に示すように、範囲「０以下」には色相「色１」を、範囲「０以上〜１５未満」には色相「色２」を、範囲「１５以上〜４５未満」には色相「色３」を、範囲「４５以上」には色相「色４」を用いることを定める。

図７は、配置規則２０５の構成例を示す図である。

図７に示すように、配置規則２０５は、縦横に区切った複数のマス（領域）のそれぞれに日毎の行動項目を割り当てた情報である。例えば、図７に示すように、配置規則２０５は、縦方向と横方向のいずれかの方向に日付が並び他の方向に行動項目が並ぶように、複数のマスに日毎の行動項目を割り当てることを定める。配置規則２０５をこのように定めることにより、同じ項目の日付毎の計測値が縦または横に一列に並ぶので、行動の類似性が画像の特徴量に現れやすくなる。

また、図６及び図７に示すように、着色規則２０４と配置規則２０５に従って行動項目の計測値に対応する色でマスを着色することにより、容易に行動画像２０３を生成することができる。

図８は、行動画像データ２１３の一例を示す図である。

行動画像生成処理部２０２は、配置規則２０５に従って、図８に示すように、縦方向に日付を並べ、横方向に行動項目を並べて行動画像データ２１３を生成する。そして、行動画像生成処理部２０２は、図８に示すように、行動画像データ２１３における行動項目の値に対して、着色規則２０４に従う色相及び濃淡を対応付ける。例えば、行動画像生成処理部２０２は、「２０１８／０４／０２」の始業時刻「０８：５６」に対して、図６に示す着色規則２０４に従って、色相「青」及び濃淡「淡」を対応付ける。

図９は、行動画像２０３の一例を示す図である。

行動画像生成処理部２０２は、図８に示す行動画像データに基づいて、図９に示すように、行動画像２０３を生成する。例えば、図９に示す行動画像２０３のマスＰは、図８に示す行動画像データの「２０１８／０４／０２」の始業時刻「０８：５６」に対応している。したがって、行動画像生成処理部２０２は、行動画像２０３のマスＰを、淡青で着色する。行動画像生成処理部２０２は、終業時刻及び健康管理時間についても同様に、行動画像２０３における対応するマスを着色する。これにより、始業時刻、終業時刻、及び健康管理時間を行動画像２０３に反映させることができる。

画像学習処理部３０３は、このように着色された行動画像２０３に基づいて、画像的に共通の特徴を有する群に分類するための推定アルゴリズムを生成する。

例えば、図６の着色規則２０４に従う場合、毎日の出勤時刻及び退勤時刻が定時どおりである社員の行動画像２０３は、全体的に淡い色になる。このような勤務を行う社員は、例えば、管理業務に向いていると考えられる。そこで、画像的に共通の特徴として全体的に淡い色を有するＡ群に、管理業務に向いているという正解情報を対応付ける。この場合、画像分類処理部３０４は、Ａ群に分類した行動画像２０３に対応する対象者を、管理業務に向いている可能性があると判定してよい。

例えば、図６の着色規則２０４に従う場合、毎日の出勤時刻が定時よりも早く、及び／又は、毎日の退勤時刻が定時よりも遅い社員の行動画像２０３は、全体的に濃い色になる。このような勤務を行う社員は、健康面のフォローを行う必要性が高いと考えられる。そこで、画像的に共通の特徴として全体的に濃い色を有するＢ群に、健康面のフォローを行う必要性有りという正解情報を対応付ける。この場合、画像分類処理部３０４は、Ｂ群に分類した行動画像２０３に対応する対象者を、健康面のフォローを行う必要性があると判定してよい。

なお、画像分類処理部３０４は、対象者の通常の行動画像２０３はＡ群に分類されているにもかかわらず、最近の行動画像２０３がＢ群に分類されるようになった場合に、健康面のフォローを行う必要性があると判定してもよい。

また、画像分類処理部３０４は、Ｂ群に対してストレス耐性が高いという正解情報を対応付けて、画像分類処理部３０４においてＢ群に分類した行動画像２０３に対応する対象者を、ストレス耐性が高い可能性があると判定してもよい。

例えば、図６の着色規則２０４に従う場合、フレキシブルな勤務を行っている社員の行動画像２０３は、全体的にまだら模様（バラバラ）の色になる。このような勤務を行う社員は、例えば、定型業務よりも、特定のプロジェクトのスポット対応などに向いていると考えられる。そこで、画像的に共通の特徴として全体的にまだら模様を有するＣ群に、スポット対応に向いているという正解情報を対応付ける。この場合、画像分類処理部３０４は、Ｃ群に分類した行動画像２０３に対応する対象者を、スポット対応に向いている可能性があると判定してよい。

図１０は、画像再学習処理の一例を示すフローチャートである。

画像学習処理部３０３は、上述のとおり、大量の行動画像２０３から、推定アルゴリズムを生成する。しかし、推定アルゴリズムによる分類結果３０６が管理者の想定と大きく異なる場合や、新たな傾向を有する行動データが増えてきた場合などには、推定アルゴリズムを調整する必要性が生じる。そのような場合、図１０に示す画像再学習処理を実行してよい。次に、図１０に示す画像学習処理について説明する。

まず、勤務日次取得処理部１０２は、勤務日次取得処理において、勤務日次テーブル１０３を取得する（Ｓ１０１）。

次に、行動画像生成処理部２０２は、行動画像生成処理において、勤務日次テーブル１０３から行動画像２０３を生成する（Ｓ１０２）。

次に、画像学習処理部３０３は、画像学習処理において、大量の行動画像２０３に基づいて、推定アルゴリズムを生成する（Ｓ１０３）。

次に、画像分類処理部３０４は、画像分類処理において、推定アルゴリズムを用いて、行動画像２０３を何れかの群に分類する（Ｓ１０４）。

管理者は、Ｓ１０４の分類結果３０６の傾向が正しいか否かを判断する（Ｓ１０５）。

分類結果３０６の傾向が正しいと管理者が判断した場合（Ｓ１０５：ＹＥＳ）、フローは、本処理を終了する。

分類結果３０６の傾向が正しくないと管理者が判断した場合（Ｓ１０５：ＮＯ）、次に、管理者は、何を調整するかを決定する（Ｓ１０６）。

管理者が画像生成規則２０６を調整すると決定した場合（Ｓ１０６：画像生成規則）、フローは、Ｓ１０２へ戻り、前回とは異なる行動生成規則を用いて、行動画像生成処理を行う。これにより、前回とは異なる行動画像２０３が生成される。

管理者が、学習データを調整すると決定した場合（Ｓ１０６：学習データ）、フローはＳ１０３へ戻り、前回とは異なる群及び推定アルゴリズムを生成する。これにより、行動画像２０３が前回とは異なる群に分類され得る。

図１１は、表示データ３０７の表示例を示す図である。

結果出力処理部３０５は、分類結果３０６に基づいて表示データ３０７を生成し、図１１に例示するように、その表示データ３０７を表示装置に表示する。

例えば、健康のケアに関し、「ケアが必要」、「要注意」、「問題無し」の３つの群に分類する推定アルゴリズムを用いて、或る部署の各社員の２０１８年の３月の行動画像２０３を分類した結果、１人の社員の行動画像２０３が「ケアが必要」の群に分類され、２人の行動画像２０３が「要注意」の群に分類されたとする。この場合、結果出力処理部３０５は、図１１に例示するように、３月予測結果として、１人の社員が「ケアが必要」であり、２人の社員が「要注意」であることを表示する。

これにより、部署の上司や人事部などは、社員の健康が悪化する前に、その社員をケアすることができる。

図１２は、本開示に係る装置のハードウェア構成の一例を示す図である。

図１２に示すように、本開示に係る勤務管理装置１０１、画像出力装置２０１、画像分析装置３０１、及び端末装置８０１は、内部バス１００１と、当該内部バス１００１に接続されているプロセッサ１００２、メインメモリ１００３、記憶装置１００４、通信装置１００５、入力装置１００６及び表示装置１００７とを備える。

プロセッサ１００２は、例えばＣＰＵ（Central Processing Unit）等である。メインメモリ１００３は、例えばＤＲＡＭ（Dynamic Random Access Memory）等である。記憶装置１００４は、例えばＳＳＤ（Solid State Drive）又はＨＤＤ（Hard Disk Drive）等である。通信装置１００５は、例えばＥｔｈｅｒｎｅｔ（登録商標）ボード又は無線ＬＡＮボード等である。入力装置１００６は、例えばキーボード及びマウス等である。表示装置１００７は、例えば液晶ディスプレイ等である。

上述した勤務管理装置１０１、画像出力装置２０１、及び画像分析装置３０１の機能は、プロセッサ１００２が記憶装置１００４及び／又はメインメモリ１００３内のコンピュータプログラムを実行することにより、実現されてよい。

なお、本実施例では、行動項目として、始業時刻、終業時刻、および健康管理時間に着目して簡略化した例を示した。しかしながら、これに限定されることはなく、行動に関する他の様々な項目を行動項目として用いてもよい。

図１３は、勤務管理装置１０１による情報収集について説明するための図である。図１４は、行動データの一例を示す図である。

図１３に示すように、勤務管理装置１０１は、各種ＤＢから、各種情報統合装置を介して、行動データに関する各種情報を取得する。そして、勤務管理装置１０１は、その取得した各種情報から、図１４に示すように、社員毎に、各日付における各種行動項目に対応する測定値が記入された行動データを生成し、記憶装置に格納する。図１４に示すように、行動データには、上述した始業時刻、終業時刻、及び健康管理時間の他にも、休暇区分、深夜時間及び出張時間など、様々な勤務に関する測定値が含まれてよい。

実施例１では、行動画像２０３において、全ての行動項目に同じサイズの領域を割り当てる例を示したが、それに限定されることはない。実施例２では、行動項目に優先度を付与し、行動画像２０３における各行動項目の領域を優先度に応じたサイズとする例を示す。

図１５は、優先度テーブルの一例を示す図である。図１６は、実施例２に係る行動画像４０３の一例を示す模式図である。

優先度テーブル４０１は、行動項目に対して、優先度を設定するためのテーブルである。図１５に例示する優先度テーブル４０１は、始業時刻及び終業時刻に対して優先度が最も高い「１」を設定し、健康管理時間に対して優先度が最も低い「３」を設定する。この場合、行動画像生成処理部２０２は、行動画像４０３の生成において、図１６に示すように、始業時刻及び終業時刻の優先度は比較的高いので、始業時刻及び終業時刻に対応するマスのサイズを大きくし、健康管理時間の優先度は比較的低いので、健康管理時間に対応するマスのサイズを小さくする。

これにより、優先度の高い行動項目のマスほどサイズが大きくなるので、行動画像４０３の特徴を分析する際に、優先度の高いマスの影響力が大きくなる。すなわち、優先度の高い行動項目を大きい領域に割り当てることにより、優先度を考慮した分析を可能にする行動画像４０３を生成することができる。また、優先度テーブル４０１によって、各行動項目に対して優先度を設定することにより、抽出される特徴群を調整することができる。

上述した各実施例は、本発明の説明のための例示であり、本発明の範囲をそれらの実施例にのみ限定する趣旨ではない。当業者は、本発明の範囲を逸脱することなしに、他の様々な態様で本発明を実施することができる。

１００…データ処理システム １０１…勤務管理装置 １０２…勤務日次取得処理部 ２０１…画像出力装置 ２０２…行動画像生成処理部 ３０１…画像分析装置 ３０２…画像入力処理部 ３０３…画像学習処理部 ３０４…画像分類処理部 ３０５…結果出力処理部

Claims (11)

1. 人の行動に関するデータを処理するデータ処理システムであって、
   人による所定の行動項目の行動を計測した計測値を蓄積した行動データを格納するデータ管理部と、
   行動項目毎に計測値に対応する色を定めた着色規則と、行動項目毎に前記着色規則で着色された領域を画像のどこに配置するかを定めた配置規則とを用いて、人毎に、所定期間の行動データに含まれる各行動項目の計測値に対応する色に着色した領域を配置した行動画像を生成する画像出力部と、
   人の行動画像と当該人の性質および／または状態を示す正解情報とを学習し、学習結果に基づいて、人の行動画像から当該人の性質および／または状態を推定する画像分析部と、
   を有するデータ処理システム。
2. 前記画像分析部は、人の行動画像と当該人の性質および／または状態を示す正解情報とを学習することにより、人の行動画像に基づいて当該人の性質および／または状態を推定するための推定アルゴリズムを生成し、前記推定アルゴリズムに基づいて、対象者の行動画像から該対象者の性質および／または状態を推定する、
   請求項１に記載のデータ処理システム。
3. 前記配置規則は、縦横に区切った複数のマスのそれぞれに日毎の行動項目を割り当てた情報であり、
   前記画像出力部は、人の所定期間のデータに基づいて、それぞれのマスを該マスに割り当てられた行動項目の計測値に対応する色で着色した行動画像を生成する、
   請求項１に記載のデータ処理システム。
4. 前記着色規則は、労働した時間に関連する行動項目については、同一の行動項目の領域は同一の色相とし、前記労働した時間が長くなるほど濃い色調となるように定められている、
   請求項１に記載のデータ処理システム。
5. 前記配置規則は、縦方向と横方向のいずれかの方向に日付が並び他の方向に行動項目が並ぶように、前記複数のマスに日毎の行動項目を割り当てる、
   請求項３に記載のデータ処理システム。
6. 行動項目に優先度があり、
   前記画像出力部は、行動項目の領域を優先度に応じた大きさとする、
   請求項１に記載のデータ処理システム。
7. 対象者の性質および／または状態に関する情報を表示する情報提示部を更に有する、
   請求項１に記載のデータ処理システム。
8. 前記情報提示部は前記対象者の行動画像を更に表示する、
   請求項７に記載のデータ処理システム。
9. 前記学習はディープラーニングである、
   請求項１に記載のデータ処理システム。
10. 計算機装置が人の行動に関するデータを処理するためのデータ処理方法であって、
    人による所定の行動項目の行動を計測した計測値を蓄積した行動データを格納し、
    行動項目毎に計測値に対応する色を定めた着色規則と、行動項目毎に前記着色規則で着色された領域を画像のどこに配置するかを定めた配置規則とを用いて、人毎に、所定期間の行動データに含まれる各行動項目の計測値に対応する色に着色した領域を配置した行動画像を生成し、
    人の行動画像と当該人の性質および／または状態を示す正解情報とを学習し、学習結果に基づいて、人の行動画像から当該人の性質および／または状態を推定する、
    ことをコンピュータが実行するデータ処理方法。
11. 人の行動に関するデータを処理するためのデータ処理プログラムであって、
    人による所定の行動項目の行動を計測した計測値を蓄積した行動データを格納し、
    行動項目毎に計測値に対応する色を定めた着色規則と、行動項目毎に前記着色規則で着色された領域を画像のどこに配置するかを定めた配置規則とを用いて、人毎に、所定期間の行動データに含まれる各行動項目の計測値に対応する色に着色した領域を配置した行動画像を生成し、
    人の行動画像と当該人の性質および／または状態を示す正解情報とを学習し、学習結果に基づいて、人の行動画像から当該人の性質および／または状態を推定する、
    ことをコンピュータに実行させるためのデータ処理プログラム。

Images