信息处理装置的制作方法

本发明涉及一种信息处理装置。

背景技术：

近年，提出有判定作业者的熟练度，由此根据作业者的熟练度有效地支持作业的作业支持装置(参考专利文献1。)。

专利文献1中所记载的作业支持装置，计算基于测量值的视线移动速度分布数据与典型的初学者的视线移动速度分布数据之间的相似度sb和基于测量值的视线移动速度分布数据与典型的熟练者的视线移动速度分布数据之间的相似度ss，若满足sb＞ss，则判定该作业者为初学者，若不满足sb＞ss，则判定该作业者为熟练者。

专利文献1：日本特开2012-234406号公报

技术实现要素：

本发明的课题在于提供一种能够评价表示作业者的成长程度的成长度的信息处理装置。

[1]一种信息处理装置，其具备：

获取单元，获取按时序评价了作业者的行动的至少2个第1评价值及评价了成为所述作业者的模范的熟练者的行动的基准评价值；

计算单元，计算表示所述至少2个第1评价值与所述基准评价值之间的相似度的至少2个行动级别；及

输出单元，根据所述至少2个行动级别输出表示所述作业者的成长程度的成长度。

[2]一种信息处理装置，其具备：

获取单元，获取按时序评价了作业者的行动的至少2个第1评价值及评价了成为所述作业者的模范的熟练者的行动的基准评价值，且获取按时序评价了成为所述作业者的对象的作业对象的行动的至少2个第2评价值及评价了成为所述作业对象的模范的熟练者的行动的基准评价值；

计算单元，计算表示关于所述作业者所获取的所述至少2个第1评价值与所述基准评价值之间的相似度的至少2个第1行动级别，且计算表示关于所述作业对象所获取的所述至少2个第2评价值与所述基准评价值之间的相似度的至少2个第2行动级别；及

输出单元，根据所述至少2个第1行动级别输出表示所述作业者的成长程度的第1成长度，且根据所述至少2个第2行动级别输出表示所述作业对象的成长程度的第2成长度。

[3]根据所述[1]或[2]所述的信息处理装置，其中，

所述评价值为行动被执行的概率分布。

[4]根据所述[3]所述的信息处理装置，其中，

所述行动级别为与所述概率分布之间的距离对应的值。

[5]根据所述[2]至[4]中任一个所述的信息处理装置，其还具备评价单元，该评价单元计算对所述第1行动级别及所述第2行动级别进行了加权相加而得的第3评价值。

[6]根据所述[5]所述的信息处理装置，其中，所述评价单元根据所述第1行动级别及所述第2行动级别各自的成长度并使用加权不同的计算式计算所述第3评价值。

[7]根据所述[1]至[6]中任一个所述的信息处理装置，其中，

所述获取单元按每一行动类别获取所述评价值，

所述计算单元按每一行动类别计算所述行动级别。

[8]所述[7]所述的信息处理装置，其中，所述评价单元按每一行动类别计算所述第3评价值，且计算对按每一行动类别的所述第3评价值进行了加权相加而得的第4评价值。

[9]一种信息处理装置，其具备：

获取单元，获取按时序评价了作业者的行动的至少2个第1评价值及评价了成为所述作业者的模范的熟练者的行动的基准评价值，且获取按时序评价了所述作业者的作业对象的状态的至少2个第2评价值及按时序评价了所述作业对象的基准状态的基准评价值；

计算单元，计算表示关于所述作业者所获取的所述至少2个第1评价值与所述基准评价值之间的相似度的至少2个行动级别，且计算表示关于所述作业对象所获取的所述至少第2评价值与所述基准评价值之间的相似度的至少2个状态级别；及

输出单元，根据所述至少2个行动级别输出表示所述作业者的成长程度的第1成长度，且根据所述至少2个状态级别输出表示所述作业对象的成长程度的第2成长度。

发明效果

根据本发明的第1、3、4方案，能够对表示作业者的成长程度的成长度进行评价。

根据本发明的第2、9方案，能够对作业者及作业对象这两者的成长度进行评价。

根据本发明的第5方案，能够对考虑到作业对象的行动级别的作业者的成长度进行评价。

根据本发明的第6方案，能够对与作业对象的成长度相应的作业者的成长度进行评价。

根据本发明的第7方案，能够按每一行动类别对作业者的成长度进行评价。

根据本发明的第8方案，能够综合评价作业者的成长度。

附图说明

根据以下附图，对本发明的实施方式进行详细叙述。

图1是表示本发明的第1实施方式所涉及的评价系统的结构的一例的图。

图2是表示第1实施方式所涉及的评价系统的控制系统的一例的框图。

图3是表示加权系数表的一例的图。

图4是用于说明在某一行动类别中计算行动级别及成长度为止的流程的一例的图。

图5是示意地表示在某一行动类别中从行动级别的计算到计算行动评价值为止的流程的一例的图。

图6是示意地表示由按每一行动类别获得的行动评价值评价作业技能为止的流程的一例的图。

图7是表示本发明的第2实施方式所涉及的评价系统的结构的一例的图。

图8是表示第2实施方式所涉及的评价系统的控制系统的一例的框图。

符号说明

1-评价系统，2-柜台，3、3a、3b-相机，4、4a、4b-话筒，5-评价装置，6、6a、6b-传感器，50、50a、50b-分析部，51、51a、51b-笑容检测部，52、52a、52b-说话分析部，53a、53b-概率分布计算部，54a、54b-行动级别计算部，54c-状态级别计算部，55a、55b-熟练者概率分布存储部，56a、56b-成长阶段判定部，57-行动评价模型选定部，58-行动评价模型存储部，59-行动评价部。

具体实施方式

以下，参考附图对本发明的实施方式进行说明。另外，在各图中，对具有实质上相同的功能的构成要件标注相同的符号，并省略其重复说明。

[实施方式的摘要]

本发明的实施方式所涉及的信息处理装置具备：获取单元，获取按时序评价了作业者的行动的至少2个第1评价值及评价了成为作业者的模范的熟练者的行动的基准评价值；计算单元，计算表示至少2个第1评价值与基准评价值之间的相似度的至少2个行动级别；及输出单元，根据至少2个行动级别输出表示作业者的成长程度的成长度。

“作业对象”是指成为作业者的作业对象的人和物。成长度可以是2个行动级别之差，也可以是该差除以经过时间的行动级别的变化率(也称为成长速度。)。

[第1实施方式]

图1是表示本发明的第1实施方式所涉及的评价系统的结构的一例的图。该评价系统1例如具备设置于作业区域且拍摄进行作业的作业者p1的第1相机3a、拍摄成为作业者p1的作业对象的作业对象p2的第2相机3b、设置于柜台2且输入作业者p1的语音的第1话筒4a及设置于柜台2且输入作业对象p2的语音的第2话筒4b。在本实施方式中，作业对象p2为人。

本实施方式的作业区域例如相当于便利店等小卖店、宾馆的接待处等待客区域等。

第1话筒4a及第2话筒4b(统称它们时也称为“话筒4”。)可以不设置于柜台2，可以设置于壁上或其他场所。例如，可以将第1话筒4a设置于第1相机3a中，将第2话筒4b设置于第2相机3b中。以下，对设置有第1相机3a及第2相机3b进行统称时也称为“相机3”。

可以由相机3检测人各部的位置、速度、面部朝向、表情(笑容等)及姿势等。可以由话筒4检测说话量、对话量、声音的音调及笑声等。由相机3及话筒4检测的信息为行动信息的一例。相机3及话筒4可以是获取行动信息的传感器成为一体的可佩戴式终端。传感器可以检测握力、扭力、手腕的转速、视线、加速度、角加速度、动作的速度及变动量等。行动信息除了对话量及笑容次数以外，还可以是声音的音调、心跳数、呼吸数、集中力、压力量、疲劳度及自律神经的状态等生体信息。行动信息可以设为根据作业者p1的种类(营业人员、工厂工作人员等)而不同的信息。

图2是表示评价系统1的控制系统的一例的框图。评价系统1具有第1相机3a及第2相机3b与第1话筒4a及第2话筒4b连接的评价装置5。评价装置5为信息处理装置的一例。

评价装置5例如由计算机装置来实现。另外，评价装置5可以由1个计算机装置来实现，也可以由通过网络连接的多个计算机装置来实现。

在评价装置5中与作业者p1对应地设置有第1笑容检测部51a、第1说话分析部52a、第1概率分布计算部53a、第1行动级别计算部54a、第1熟练者概率分布存储部55a及第1成长阶段判定部56a。在第1笑容检测部51a连接有第1相机3a，在第1说话分析部52a连接有第1话筒4a。第1笑容检测部51a、第1说话分析部52a及第1行动级别计算部54a分别为获取单元的一例。第1概率分布计算部53a及第1行动级别计算部54a为计算作业者p1的行动级别的计算单元的一例。第1成长阶段判定部56a为输出单元的一例。

并且，在评价装置5中与作业对象p2对应地设置有第2笑容检测部51b、第2说话分析部52b、第2概率分布计算部53b、第2行动级别计算部54b、第2熟练者概率分布存储部55b及第2成长阶段判定部56b。在第2笑容检测部51b连接有第2相机3b，在第2说话分析部52b连接有第2话筒4b。第2笑容检测部51b、第2说话分析部52b及第2行动级别计算部54b分别为获取单元的一例。第2概率分布计算部53b及第2行动级别计算部54b为计算作业对象p2的行动级别的计算单元的一例。第2成长阶段判定部56b为输出单元的一例。

并且，在评价装置5中设置有作业者p1及作业对象p2通用的行动评价模型选定部57、行动评价模型存储部58及行动评价部59。

第1笑容检测部51a及第2笑容检测部51b(统称它们时也称为“笑容检测部51”。)例如从通过相机3拍摄的图像中检测出脸部区域，并且对脸部区域进行图案匹配而检测出笑容。笑容检测部51从通过相机3拍摄的图像中检测出作业者p1或作业对象p2每天的笑容次数。笑容次数为行动类别的一例。“行动类别”是指由作业者进行的行动的种类。

第1说话分析部52a及第2说话分析部52b(统称它们时也称为“说话分析部52”。)对从话筒4输入的语音进行语音识别处理而转换为字符串，并检测出说话量。另外，也可以检测出说话次数、说话时间及说话速度。说话量是指1次说话中的总字符数。说话次数是指每天的说话数。说话时间是指针对一个作业对象p2进行对话的时间。说话速度是指每单位时间的字符数。说话量、说话次数、说话时间及说话速度分别为行动类别的一例。

在第1概率分布计算部53a输入有随着时间的经过输入对作业者p1进行检测或分析的多种的行动信息。第1概率分布计算部53a从预先设定的期间(例如，1日)内的行动信息按每一行动类别计算概率分布。行动信息为从第1笑容检测部51a及第1说话分析部52a输出的每一行动类别的值。这对输入于第2概率分布计算部53b的行动信息也相同。第1概率分布计算部53a计算的概率分布为按时序评价了作业者p1的行动的第1评价值的一例。关于作业者p1计算的概率分布为了评价作业者p1的成长度而使用，因此需要按时序获得的至少2个概率分布。这对第2概率分布计算部53b关于作业对象p2计算的概率分布也相同。

第2概率分布计算部53b随着时间的经过关于作业对象p2输入多个行动信息。与第1概率分布计算部53a相同地，从预先设定的期间(例如，1日)内的行动信息按每一行动类别计算概率分布。第2概率分布计算部53b计算的概率分布为按时序评价了作业对象p2的行动的第2评价值的一例。

第1行动级别计算部54a使用关于预先设定的期间(例如，1日)内由第1概率分布计算部53a计算出的作业者的概率分布与存储于第1熟练者概率分布存储部55a的熟练者群的概率分布之间的距离，对作业者p1的行动级别进行评价。

第2行动级别计算部54b使用关于预先设定的期间(例如，1日)内由第2概率分布计算部53b计算出的作业对象的概率分布与存储于第2熟练者概率分布存储部55b的熟练者群的概率分布之间的距离，对作业对象p2的行动级别进行评价。“熟练者群的概率分布”为对多个熟练者的概率分布进行平均的值。

在第1熟练者概率分布存储部55a按每一行动类别存储有与作业者p1对应的熟练者群的概率分布。在第2熟练者概率分布存储部55b关于与作业对象p2对应的熟练者群按每一行动类别存储有概率分布。熟练者群的概率分布为基准评价值的一例。

第1成长阶段判定部56a根据第1行动级别计算部54a计算出的作业者p1的行动级别，判定作业者p1处于“未熟期”、“成长期”及“成熟期”(也分别称为成长度“低”、“中”、“高”。)中的哪一成长阶段。另外，成长阶段并不限定于3个，也可以是2个或4个以上。“成长期”是指行动级别的移动平均的斜率连续成为正的期间或连续超过预先设定的阈值的期间。“未熟期”是指“成长期”之前的期间(成长阶段)。“成熟期”是指“成长期”之后的期间(成长阶段)。另外，当无法特定“成长期”时，可以视为属于“未熟期”。第1成长阶段判定部56a对作业者p1进行判定的成长阶段为第1成长度的一例。

第2成长阶段判定部56b根据第2行动级别计算部54b计算出的作业对象p2的行动级别，判定作业对象p2处于“相互未知期”、“熟识过程”及“熟识期”(也分别称为成长度“低”、“中”、“高”。)中的哪一成长阶段。另外，成长阶段并不限定于3个，也可以是2个或4个以上。“熟识过程”是指行动级别的移动平均的斜率连续成为正的期间或连续超过预先设定的阈值的期间。“相互未知期”是指“熟识过程”之前的期间(成长阶段)。“熟识期”是指“熟识过程”之后的期间(成长阶段)。第2成长阶段判定部56b对作业对象p2进行判定的成长阶段为第2成长度的一例。

在行动评价模型存储部58存储有与作业者p1及作业对象p2的成长度的组合相应的评价模型和加权系数表580(参考图3)。加权系数表580按每一行动类别记录有评价模型中所使用的与作业者p1及作业对象p2的成长度(成长阶段)相应的加权系数。

行动评价模型选定部57从存储于行动评价模型存储部58的行动评价模型选定根据作业者p1的成长度及作业对象p2的成长度而使用的行动评价模型，并从加权系数表580中选定加权系数。

行动评价部59按每一行动类别根据作业者p1的当前的行动级别及作业对象p2的当前的行动级别，并使用通过作业者p1的成长度及作业对象p2的成长度选定的行动评价模型，按每一行动类别计算行动评价值。

若将某一行动类别1的作业者p1的行动级别设为x1，将作业对象p2的行动级别设为x2，则行动评价值y1例如能够以下式(1)来表示。行动评价值y1为第3评价值的一例。

y1＝k1·x1+k2·x2……(1)

在此，k1为与作业者p1的成长度及作业对象p2的成长度相应的加权系数，如图3所示，设定有α11、α12、α13、α21、α22、α23、α31、α32、α33。k2例如可以设为1，也可以是与作业对象p2的成长度相应的加权系数，与k1相同地也可以是与作业者p1的成长度及作业对象p2的成长度相应的加权系数。另外，k1可以设为1，也可以是与作业者p1的成长度相应的加权系数。

并且，行动评价部59汇总按每一行动类别计算出的行动评价值而对作业者的作业技能进行评价。当将行动类别1、2、……n的行动评价值分别设为y1、y2、……yn时，作业技能z例如能够以下式(2)来表示。作业技能z为第4评价值的一例。

z＝a1·y1+a2·y2+……+an·yn……(2)

在此，a1、a2、……an为加权系数。

图3是表示存储于行动评价模型存储部58的加权系数表580的一例的图。加权系数表580为用于在行动评价模型选定部57从行动评价模型存储部58选定行动评价模型时对作业者p1的行动级别选定加权系数的表格。加权系数按每一行动类别记录有与作业者p1的成长度及作业对象p2的成长度相应的值。例如，行动类别1可以是笑容的次数，行动类别2可以是说话量，行动类别3可以是说话次数。该图示出了如下情况，即，对行动类别1记录有α11、α12、α13、α21、α22、α23、α31、α32及α33，对行动类别2记录有β11、β12、β13、β21、β22、β23、β31、β32及β33，对行动类别3记录有γ11、γ12、γ13、γ21、γ22、γ23、γ31、γ32及γ33。

(第1实施方式的动作)

接着，参考图4～图6对评价系统1的动作的一例进行说明。

图4是用于说明在某一行动类别中计算行动级别及成长度为止的流程的一例的图。在该图中，图4中的(a)表示作业者p1已进行作业时，图4中的(b)表示作业者p1的概率分布pb(x)|，图4中的(c)表示与作业者p1对应的熟练者群的概率分布pp(x)，图中的4(d)表示图4中的(b)及图4中的(c)所示的概率分布之间的距离d|t，图4中的(e)表示以将概率分布之间的距离d|t转换为增加函数的值(1/d|t)来表示的行动级别l，图4中的(f)表示作业者p1及作业对象p2的成长期。图4中的(f)的移动平均为按时序获得的数据中，按一定区间错开区间并求出平均值的值，能够去除噪声并获取平滑的曲线。

图5是示意地表示某一行动类别中从行动级别的计算到计算行动评价值为止的流程的一例的图。图5是示意地表示由按每一行动类别获得的行动评价值对作业技能进行评价为止的流程的一例的图。

(待客服务业中的店员的待客技能评价事例1)

接着，对根据说话量评价待客服务业中的店员的待客技能的情况进行说明。

(1)店员的行动级别的计算、成长阶段的判定

如图4及图5所示，在第1概率分布计算部53a输入有随着时间的经过对店员p1说出的行动信息。如图4中的(b)所示，第1概率分布计算部53a关于作业者p1，以1日单位计算说话量的概率分布pb(x)|。

如图4中的(c)所示，在第1熟练者概率分布存储部55a存储有关于与店员p1对应的熟练者群的1日中的说话量的概率分布pp(x)。

接着，如图4中的(d)所示，第1行动级别计算部54a计算店员p1的说话量的概率分布pb(x)|与和店员p1对应的熟练者群的说话量的概率分布pp(x)之间的距离d|t，如图4中的(e)所示，计算行动级别l。

若将每一次的行动信息与熟练者进行比较，则每一次评价结果发生变化，存在偶然做得很好时无法评价本来的技能的可能性，因此对一定期间内的多个行动信息的概率分布进行比较。

如图4中的(f)所示，第1成长阶段判定部56a根据第1行动级别计算部54a计算出的说话的行动级别，判定店员p1处于“未熟期”、“成长期”及“成熟期”中的哪一成长阶段，并估算出店员p1的成长度(成长阶段)。

(2)客户的行动级别的计算、成长阶段的判定

关于作业对象及客户p2，与店员p1相同地，在第2概率分布计算部53b输入有随着时间的经过关于客户p2说话的行动信息。如图4中的(b)所示，第2概率分布计算部53b关于客户p2以1日单位计算说话量的概率分布。

如图4中的(c)所示，在第2熟练者概率分布存储部55b关于与客户p2对应的熟练者群存储有1日中的说话量的概率分布。

接着，如图4中的(d)所示，第2行动级别计算部54b计算客户p2的说话量的概率分布与和客户p2对应的熟练者群的说话量的概率分布之间的距离，并计算行动级别l。

如图4中的(f)所示，第2成长阶段判定部56b根据第2行动级别计算部54b计算出的说话量的行动级别l，判定客户p2处于“相互未知期”、“熟识过程”及“熟识期”中的哪一成长阶段，并估算出客户p2的成长度(成长阶段)。

(3)作业技能的评价

行动评价模型选定部57从行动评价模型存储部58获取与通过第1成长阶段判定部56a判定的店员p1的成长阶段及通过第2成长阶段判定部56b判定的客户p2的成长阶段相应的行动评价模型及加权系数。

行动评价部59使用通过行动评价模型选定部57选定的行动评价模型及加权系数，并以随时间经过而获得的行动信息为基础，对店员p1的待客技能进行评价。

根据店员p1及客户p2的成长度，切换评价该行动信息的行动评价模型。行动评价模型的输入值根据各行动评价模型而不同，但将当前的行动级别视为通用。

例如，店员p1及客户p2的说话量多为较佳，但有时根据店员p1及客户p2的成长度并不限于此。例如，如图4中的(e)所示，当店员p1处于“成熟期”，而客户p2处于“相互未知期”时(来店次数少，且并不怎么喜欢对话等)，说话量少的一方适合。在该情况下，虽然当前的行动级别较低，但采用变高的标度。即，作为说话量的加权系数β采用较小的值。另外，可以对其他行动类别采用较大的加权系数α、γ。

另一方面，当即便店员p1处于“未熟期”但客户p2为常客而处于“熟识期”时，例如优选积极搭话而增加说话量。即，作为说话量的加权系数β采用较大的值。另外，可以在其他行动类别中采用较小的加权系数α、γ。

如前述，对作业者的1个行动类别获得1个行动评价值，因此当获取多个行动类别的行动信息时，获得多个行动评价值。因此，如图6所示，通过加权相加汇总多个行动评价值而对作业技能进行评价。

关于各行动评价值中所使用的加权系数，有基于评价者的经验设定的方法及将评价者的主观作业技能评价结果作为正确值而通过机械学习求出的方法等。并且，可以通过将针对多个行动信息的行动评价值进行标准化来进行比较，提取作业者需增加的行动。关于行动评价值较低的行动信息，也可以进行命令/推荐，以改善行动评价值。

(待客服务业中的店员的待客技能评价事例2)

接着，作为待客服务业中的店员的待客技能的评价事例2，对基于说话量及笑容次数的评价事例进行说明。

使用相机3及话筒4获取待客时的店员p1及客户p2的说话量及笑容次数。关于每天获得的说话量及笑容次数，每隔1个星期制作出概率分布，并计算与熟练者的概率分布之间的距离。关于客户p2的说话量及笑容次数的概率分布，计算与常客的概率分布之间的距离。将概率分布之间距离转换为增加函数的值设为行动级别。即每隔1个星期获取说话量及笑容次数的行动级别。

关于每隔1个星期获得的店员p1及客户p2的说话量及笑容次数的行动级别，分别求出移动平均，由移动平均的斜率估算出属于哪一期间。

当判定为店员p1处于“成熟期”，而客户p2处于“相互未知期”时，以该信息为基础选定行动评价模型及加权系数。关于行动评价模型的输入值，可举出店员p1及客户p2的当前的行动级别、所属期间中的经验次数、经验次数的增加率、过去的行动评价值、稳定性(行动级别的波动)以及成长率(行动级别的斜率)等。

店员p1获得关于说话量的行动评价值及关于笑容次数的行动评价值，并通过它们的加权相加而对待客技能进行评价。此时的加权系数可以由评价者即店长主观决定(例如，在该店铺中，只要重视与客户p2的谈话，则提高说话量的加权系数值等)。或者，也可以将店长主观评价的待客技能值作为正确值而通过神经网络等机械学习计算各加权系数。

并且，在对说话量及笑容次数的行动评价值进行标准化而进行了比较的情况下，当笑容次数的行动评价值较低时，以增加笑容次数的方式进行推荐。此时，可以仅使用作业者1个人的行动评价值来提取需增加的行动，但当存在多个作业者时，也可以以多个人的行动评价值为基础提取需增加的行动。

[第2实施方式]

图7是表示本发明的第2实施方式所涉及的评价系统的结构的一例的图。在第1实施方式中，将作业对象p2设为人，但在本实施方式中设为物体。以下，以与第1实施方式不同点为中心进行说明。

第2实施方式所涉及的评价系统1例如具备设置于作业区域且佩戴于进行作业的作业者p1的第1传感器6a及安装于成为作业者p1的作业对象的作业对象p2的第2传感器6b。第1传感器6a及第2传感器6b(统称它们时也称为“传感器6”。)可以分别为一个。在本实施方式中，作业对象p2作为物体的一例设为加工机等装置。作业对象p2除了装置以外，还可以是器具。

本实施方式的作业区域例如相当于工厂、木工站、陶艺教室及料理教室等。该图示出了作业者p1用扳手s拧紧设置于工厂的作业区域中所设置的作业对象p2的加工机中的螺栓b的状态。

由第1传感器6a检测出多个行动信息。作为多个行动信息，例如有加速度、角速度、变动量、螺栓b的旋转次数及螺栓b的紧固强度等。另外，第1传感器6a可以是与获取行动信息的传感器成为一体的可佩戴式终端。第1传感器6a可以是检测握力、扭力、手腕的转速、视线、加速度及角加速度等的传感器。行动信息除了手腕的动作以外，还可以是心跳数、呼吸数及集中力等生体信息。

由第2传感器6b检测出多个状态信息(与第1实施方式的行动信息相对应。)。作为多个状态信息，例如可以是使用次数、使用时间、使用人数、耐久性、掉落次数、振动数，噪音级别及马达转速等。

图8是表示第2实施方式所涉及的评价系统1的控制系统的一例的框图。评价系统1具有连接有第1传感器6a及第2传感器6b(统称它们时也称为“传感器6”。)的评价装置5。

在评价装置5中与作业者p1对应地设置有第1分析部50a，而且与第1实施方式相同地，设置有第1概率分布计算部53a、第1行动级别计算部54a、第1熟练者概率分布存储部55a及第1成长阶段判定部56a。在第1分析部50a连接有第1传感器6a。第1分析部50a为获取单元的一例。

并且，在评价装置5中与作业对象p2对应地设置有第2分析部50b及状态级别计算部54c，而且与第1实施方式相同地，设置有第2概率分布计算部53b、第2熟练者概率分布存储部55b及第2成长阶段判定部56b。在第2分析部50b连接有第2传感器6b。第2分析部50b为获取单元的一例。状态级别计算部54c为计算作业对象p2的行动级别的计算单元的一例。

并且，在评价装置5中与第1实施方式相同地设置有对作业者p1及作业对象p2通用的行动评价模型选定部57、行动评价模型存储部58及行动评价部59。

第1分析部50a例如从通过第1传感器6a检测出的加速度检测出作业者p1的手腕的动作。手腕的动作为行动类别的一例。

第2分析部50b例如由从第2传感器6b输入的加速度分析振动数。振动数为行动类别的一例。

状态级别计算部54c使用关于预先设定的期间(例如，1日)内由第2概率分布计算部53b计算出的作业对象p2的状态(例如，振动数)的概率分布与存储于第2熟练者概率分布存储部55b的熟练者群的状态(例如，振动数)的概率分布之间的距离，对作业对象p2的状态级别(例如，老化级别)进行评价。

第2成长阶段判定部56b根据第2行动级别计算部54b计算出的作业对象p2的状态级别，判定作业对象p2处于“相互未知期”、“熟识过程”及“熟识期”(也分别称为成长度“低”、“中”、“高”。)中的哪一成长阶段。

行动评价部59按每一行动类别根据作业者p1的当前的行动级别及作业对象p2的当前的状态级别，使用通过作业者的成长度及作业对象的成长度选定的行动评价模型及加权系数，按每一行动类别计算行动评价值。

在本实施方式中，例如，求出振动数的概率分布，并将与变旧的机械的振动数的概率分布之间的距离作为老化级别(与作业对象p2为人时的行动级别相对应。)来进行评价。

由按时序获得的作业对象p2的老化级别特定“相互未知期”、“熟识过程”及“熟识期”。在该情况下，“相互未知期”表示物体为新品的状态，“熟识过程”表示物体使惯的状态，“熟识期”表示物体变旧的状态。

另一方面，作业者p1的传感信息例如为1个作业所需的运行时间及所施加的力的大小等。在作业者p1为“成熟期”且物体为“相互未知期”时的评价模型中，有因物体为新品的状态而慎重地进行作业的情况及一边进行调整一边进行作业的情况。因此，相对于1个作业所需的运行时间的行动级别的加权系数设定成小于常规系数(1个作业所需的运行时间不被重视。)。

在作业者p1为“未熟期”且物体为“熟识期”时的评价模型中，若1个作业所需的运行时间较长则负担较大而会导致物体故障。因此，相对于1个作业所需的运行时间的行动级别的加权系数设定为较大(越接近熟练越好。)。

以上，对本发明的实施方式进行了说明，但本发明的实施方式并不限定于上述实施方式，在不变更本发明的宗旨的范围内，能够进行各种变形及实施。

评价装置5的各部可以分别将一部分或全部由可重构电路(fpga：fieldprogrammablegatearray(现场可编程门阵列))及专用集成电路(asic：applicationspecificintegratedcircuit)等硬件电路来构成。

并且，在不变更本发明的宗旨的范围内，也能够省略或变更上述实施方式的构成要件的一部分。并且，在不变更本发明的宗旨的范围内，在上述实施方式的流程中，能够进行步骤的追加、删除、变更及替换等。并且，能够将上述实施方式中所使用的程序记录于cd-rom等计算机可读取的记录介质中后提供。并且，能够将上述实施方式中所使用的程序存储于云服务器等外部服务器，并经由网络来利用。

上述本发明的实施方式是以例示及说明为目的而提供的。另外，本发明的实施方式并不全面详尽地包括本发明，并且并不将本发明限定于所公开的方式。很显然，对本发明所属的领域中的技术人员而言，各种变形及变更是自知之明的。本实施方式是为了最容易理解地说明本发明的原理及其应用而选择并说明的。由此，本技术领域中的其他技术人员能够通过对假定为各种实施方式的特定使用最优化的各种变形例来理解本发明。本发明的范围由以上的权利要求书及其等同物来定义。