AIBR プレミアム
拓海先生、最近部下から「行動を促すメッセージの精度を上げる論文」を読んでおけと言われまして。正直、私のような者でも本当に業務に使えるのか知りたいのですが、大筋を教えていただけますか。
素晴らしい着眼点ですね！大丈夫、一緒に整理しますよ。結論を先に言うと、この研究は「相手のその時の状態（states）と個人特性（user characteristics）のどちらを見れば相手の行動をよりよく予測できるか」を検証しているんです。要点は三つで、実務寄りに説明しますね。
なるほど、要点三つですか。で、その”states”っていうのは、現場で言えば例えば「今のやる気」や「自信」のようなものですか。これって要するに現状の気持ちや状況を見ているということですか？
その通りですよ。素晴らしい着眼点ですね！ここでいうstates（states／状態）は、直近の能力（capability）、機会（opportunity）、動機（motivation）など、行動直前のコンディションを指します。一方でuser characteristics（UC: ユーザ特性）は年齢や性格、関与度といった変わりにくい属性です。実務で言えば、今日の気分と履歴書の違いですね。
なるほど、今日は元気だが普段はそうでもない、という人といつも積極的な人だと反応が違うわけですね。で、結局どちらを見ると良いんですか。実務で導入するならコストも気になります。
投資対効果を考える観点、素晴らしい着眼点ですね！要点は三つあります。第一に、短期の行動予測にはstatesが強い。第二に、関与度（involvement）といった一部のuser characteristicsは補助的に効果がある。第三に、両方を組み合わせると最も安定した予測が得られる可能性がある、ということです。
これって要するに、日々の状態を軽く取って反応を見れば短期では十分戦えるけれど、長期的に安定させるには個人の関与度などを取り込んだ方が良い、ということですか？
まさにその理解で合っていますよ。素晴らしい着眼点ですね！研究は仮想コーチSamを用い、各セッションで活動を与え、その後の実行努力（行動量）を計測しました。statesは直近の質問で得られ、user characteristicsは最初にまとめて取ってあります。
技術的にはどんな手法で予測しているのですか？うちの現場で似たことをやる場合、どれくらいのデータや手間がかかりますか。
良い質問ですね。専門用語は分かりやすく説明します。研究は機械学習の予測モデルを用いますが、ポイントは大量データを必ずしも使わない点です。セッションごとの状態遷移をサンプルにしており、合計約2366の遷移サンプルから学習しています。現場では毎回の短いアンケートと行動報告を取れば、数百サンプルで試せますよ。
なるほど、まずは小さく試して効果を見てから拡大ということですね。わかりました。最後に私の言葉で整理していいですか。今回の論文は「その時の状態を見れば短期行動は予測しやすく、個人特性の一部を加えると長期で安定する。まずは小さく状態を取る仕組みを作って試すべきだ」という理解で合っていますか？
完璧に合っていますよ。大丈夫、一緒にやれば必ずできますよ。まずは短い状態測定と効果計測の仕組みを作り、関与度などの特性を補助変数として取り込み、段階的に最適化していきましょう。
