UZU UZUインデックス

ウィキペディア

UZU UZUインデックス

出典: フリー百科事典『ウィキペディア（Wikipedia）』 (2017/08/30 02:00 UTC 版)

UZU UZU インデックスとは、子供が体を動かして遊びたいという感情を指標化したものである。高い値になる程、体を動かして遊びたいという感情が高まっていることを示す。通常、個人の子供に対して適用される。また、大人においても適用は可能であるが、子供と同等の指標を採用可能であるかは未検証である。また、本指標が示す値の範囲についても、まだ完全な定義はされておらず、およそ0から10までの値をとるものとして暫定的に定義されている。

出自

UZU UZU インデックスは、2017年8月6日に、アジア4か国（台湾、タイ、韓国、日本）で共同開催された2017年アジア・オープンデータ・ハッカソンの東京会場にて公表された。公表者は日本のハッカソングループ「STANDY (スタンディ、メンバーは岡田 浩一、Rohit Kumar Singh、Tang Li Qun、浅井 由剛、Yansunaka Cho）」である。その後、2017年8月19日に、同ハッカソンにおける最優秀賞（Invincible Hackers Award)を受賞している。UZU UZUという名称は、日本語の「うずうず」から名付けられた。発想の原点は、公表者 岡田の妻が小学校の教師をしている中、雨が続くと子供達の落ち着きがなくなるといった経験から、その感情を指標化し、気象情報の過去の履歴と予想情報をもとに、ディープラーニングの手法でその感情の予測を行うことができるのではないかとの仮説が立てられたことにある。前述のハッカソンにおいてSTANDYは、UZU UZU インデックスの実測として、小学校や幼稚園の教室に騒音計測機を設置し、子供の騒ぎ度合いの日々の変化を計測する手法を提案している。ただし、ハッカソン期間内にそれを実現することはせず、代わりに次のような計算式に基づいたシミュレーション・アルゴリズムによる代替を試みている。

$$\sum _{n=0}^{2}LowPressure(n)\times (n-3)\times Holiday(n)\times UrbanIndex$$

ここで、 $LowPressure(n)$は該当日の $n$日前における大気圧から計算される値であり、 $0$が高い気圧、 $1$が低い気圧とした範囲で定められる。厳密には大気圧をシグモイド関数 $\varsigma _{0.2}(AtomospherePrressure(n)-AveragePressure)$で正規化した値である( $AtomospherePressure(n)$は $n$日前の大気圧、 $AverageAtomosphere$は大気圧の長期平均値）。該当日を含む過去3日間が考慮される中で、 $(n-3)$の項は該当日の値は $2$日前よりも $3$倍の値として計算されるといった形で傾斜加算されることを示す。 $Holiday(n)$は、休日にはより体を動かしたいという要求が高まるとの仮説により、平日は $1$、休日には $2$の値となる。 $UrbanIndex$は都市部の子供はより発散機会が少ないとの仮説から、郊外で最小値 $0$、都市部で最大値 $1$とした範囲の中の値となる。

この様に、時間と金額をかけずに実装を進める手法をSTANDYは「ハッカーズ・アプローチ」と呼んでいる。この手法においては、仮説に基づいた計算式で算出した UZU UZU インデックスを、ディープラーニングでモデル化することにより、実測を行う前にある程度モデル構築を進めることができるとされているが、実測値と仮説が異なる場合には、そのモデルの妥当性は保証されない。その意味では、今後の実測値による検証が待たれる。

ディープラーニングによるモデル化

上記ハッカソンにおいては、気象情報を含む12項目（大気圧、気温、降水量、日照時間、相対湿度、露点、可視距離、日付等）に対応付けて12のニューロンを入力層とし、20個および30個のニューロンをそれぞれの層に持つ2層の隠れ層（中間層）を利用、UZU UZUインデックスを出力するための１つのニューロンを出力層としたニューラルネットワークのモデルを発表しており、UZU UZUインデックスのシミュレーション値に対して88％の予測精度が達成されたとされている。シミュレーション・アルゴリズムにおいて3日間の気象情報を用いて各日のUZU UZU インデックスを作成している一方、ニューラルネットワークでは当日の気象情報のみ活用しているだけで88％の精度が達成できていることにはその理由が議論を呼んでいる。目下のところの考察では、採用したシミュレーション・アルゴリズムでは前日、前々日の影響が低いことと、当日の気象情報の値は、前日、前々日の値に影響を受けている為であると想定される。当初計画では、履歴情報を蓄積するモデルであるLSTMもしくは、過去7日間の気象情報を入力値としたモデルを想定していたこともあり、今後への取り組みとして、当初計画に沿ったモデル作成実験実施の余地がある。

応用例

上記ハッカソンにおいては、予測されたUZU UZUインデックスと、個人の子供のアウトドア志向性から、子供の遊び場を提案するという例が提示された。また、同じ指向を持つ子供を紹介することで、少子化社会においても気の合う子供同士が友達になりやすいような手段を提供するとされている。