9. The unified service theory
The unified service theory
(Sampson 2006)
Service can be characterized by Users’ feedback
サービス現場利用者 Inputs
提供者
実社会
経営者
Produc4on
Suppliers
users
日常生活 process
inputs
outputs
How can we realize input from users ?
10. サービスシステムダイナミクスの計算モデル化
サービスデザイン
生活者の計算モデル化と
最適化
情報サービス
シミュレーション
To
be
支援技術
大規模・大量
のデータ
POSデータ
As
is
アンケートなど
からのモデル化
サービス現場
サービス活動中に
実社会
利用者
人間行動 取得できるよう実験
提供者 観測技術
計画されたデータ
日常生活
経営者
データ収集
14. ベイジアンネットの学習(モデル構築)
確率変数の選択
情報量の高い、重要な変数の抽出
グラフ構造の学習
情報量基準による(局所)モデル選択
条件付確率(パラメータ)の学習
離散確率変数: CPT (cond prob table) 連続変数:パラメトリックモデル
事例の頻度から確率化
のパラメータ学習 or 離散化
P P
B
B
A
A
{P1 (a1|b1), P2 (a2|b2), …}
15. 条件付確率表
X1 Y
Ex.
P1 0.3
P2 0.4
X2 P3 :
Y
P4
P5 条件付確率表
:
P6 P(Y|X) = p I j
:
X
ベイジアンネットの条件付確率表
Xn
完全データの場合:
n
クロス集計表の正規化で最尤推定量が得られる。
59. 生活中の履歴データなどの大規模データから
再利用できる知識(因果的構造)の獲得
従来の統計(母集団依存性大)
l 各事例の保存と検索(データベース)
l 単独の頻度、集計、統計
Digital Human Research Center
l 複数の変数の間の関係(相関、独立性)
l ある変数を説明するルール、予測モデル
l 変数群の依存関係の条件付確率(確率的知識)
l 因果的構造のネットワーク(因果的知識)
有用な知識(再利用性大)
集めたデータの説明から、そのデータ以外にも成り立つ知識、
すなわち過去の経験から、『次』に活かせる知識へ!!
60. 因果的知識の例
事故が発生したという事象から過去に遡る。
つくば市立の保育所での調査アンケートの例
Q1:その事故が起きたのは直接には何が原因ですか?
Digital Human Research Center
Q2: Q1の出来事が起きたのはなぜですか?関連するもの
を全て挙げてください。
Q3: Q2の出来事が起きたのは、それぞれなぜですか?関
連するものを全て挙げてください。
61. 事故の分析:保育園でのひやりはっと事例
状況
モノ
前の日に
コンクリの
掃除する
雨
上に砂
Digital Human Research Center
滑る
外で遊びたい
行動
はしゃぐ
事故=high
事故=low
児童
活発な性格
そそっかしい
注意する
12/10/21
61
62. 日常生活における因果的構造とは?
例:個人の認知・評価構造
「なぜ」を繰り返すインタビューによる気づき
無意識的な行動の背景にある動機が明らかに
クッションが 背もたれが高いから
Digital Human Research Center
よさそうだから
体によさそうだから
それはなぜ
なぜこちらを よいのですか?
気分が良いか
選びましたか?
ブランド
ら
安いから
インタビューから選択理由を挙げ、対象の属
性から評価に至る認知構造
63. 運転中の走行シーンの認知構造
(画像提供:トヨタ自動車)
Digital Human Research Center
どちらが危険と判断するか?
より危険と認識するのは何が原因か(コンストラクト)?
それはなぜか(理由・原因)?
もしそうであれば、どんなことが起こるか(因果的結果)?
69. 事前知識を活用して、統計データの情報を補う
認知・評価構造の定量的モデリング
Y.Motomura, T.Kanade :Probabilistic Human Modeling based on
Personal Construct Theory”, J.Robot&Mechatronics, 17/6, (2005).
統計的学習(頻度データ)
欠損(未回答)データの場合
定量調査
→EMアルゴリズム
Digital Human Research Center
アンケート
統計的言語処理
評価グリッド
Bayesian network
認知・評価構造モデル
初期構造(潜在変数)
70. [事故事例を知識化し、制御するために]
事故予防のための行動と状況を含んだ因果構造をモデル化�
A
• 重症事故の数
制御したい対象
• 事故死の数
多くの場合、
そのままでは制御困難
事故制御理論�
Digital Human Research Center
• A,B,Cの因果構造の解明
• Bを用いてAを制御する理論�
B
C
制御可能な対象
制御不能な対象
• モノの設計(メーカー)
子どもの月齢・天候・発達・季節
• 保護者の意識・環境調整
・時間
71. 日常生活を知識化する
例:子どもの事故予防の場合
事故(unusual)の因果的関係をモデル化
個々のケースの原因(行動、モノ)を知り、制御することで事故を
予防可能に
Digital Human Research Center
事故発生
その子の 予防すべき事故原因
日常
∼が∼した
ので
∼が∼して
ケガ
それぞれの日常生活の理解
} 平常状態(usual)から異常(unusual)までを定量的に評価
} 起きても仕方ない事故と特殊な事故を見分けていく
} 許容できる日常と危険状態のボーダーを制御していく
72. 事故履歴データ(受診200事例)からの
子供の事故状況のモデル化
Location
Object
Digital Human Research Center
Time
Injury
Size
Season
Age
Body part
Gender
Behavior
Intension
73. 事故の関係モデルを使った確率推論
Set:
女児, 1歳 , 冬,
器具による事故
Digital Human Research Center
Results
(highest):
ヤケド 94%
不注意 67%
腕 90%
リビング 62%
日中 67%
74. ベイジアンネットによる大規模データからのモデリ
ング:子供の事故データ(約200件/月)の例
Digital Human Research Center
事故サーベイランスシステム
国立成育医療センター
事故調査表・テキスト
電子カルテ
75. 事例:事故データを計算論的にモデル化することで
将来の事故予測・予防に活用
子どもの事故データ(約200件/月)
子供の属性、生活時間
事故サーベイ
ランスシステム
子供の日常生活行動
環境要因
Digital Human Research Center
カルテ
事故調査表
ベイジアンネット
事故の程度・確率
76. 事故履歴データからの知識化
1. 使用データ:国立成育医療センター子供の事故
n 使用データ件数:1,791件(2,430件中)
n 事故の種類を6種類に限定
n 事故に関係したモノと事故直前の行動のどちらも空欄の場
合は用いていない
800
Digital Human Research Center
700
600
使用データ
500
400
300
200
100
0
はさむ
刺される
噛まれる
おぼれる
転落
転倒
衝突
やけど
誤飲
誤嚥
窒息
その他
交通事故
78. 自由記述テキストデータの加工
2. 類義語辞書
n 表記ゆれやターミノロジーの問題の解消のため,
類義語辞書を作成
n 表記ゆれは,同音・同意味の単語で文字表記が異
なること
Digital Human Research Center
n ターミノロジーの問題は,同じ意味を有する単語が
別の言い回しで呼ばれるような問題のこと
表4 作成した類義語辞書(一部)
代表語
品詞
単語
遊ぶ
動詞
遊ぶ
あそぶ
いじる
つかまり立ち
動詞
つかまり立ち
掴まり立ち
掴まりたち
つかまり立つ
… … … … … …
79. 自由記述テキストデータの加工
n モノ・行動はたくさんあり,それをすべて用いて
確率・因果的構造モデルを構築すれば,膨大
な情報量となり,理解するのが困難である
3. モノ・行動の特徴辞書
Digital Human Research Center
n モノ・行動には事故に関係する特徴がある
例)ストーブ,加湿器,コタツ→熱いモノ
ボタン電池,タバコ →口に入れられるか
モノや行動の特徴を項目とし,
確率・因果的構造モデルで
事故との関係を推論する!
82. 確率・因果的構造のモデル化
男の子,1歳以上6歳未満が多い
n 「転落」の場合
11歳以上はほとんどない
起きている時間帯が多い
寝ている(深夜)はほとんどない
こども
時間帯
Digital Human Research Center
モノ
行動
乗れるモノ,物の高さ,
静止動作,全身動作,
身体を支えられるモノが多い
上下動作が多い