平成25年10月～平成28年9月に，科学技術振興機構社会技術研究開発センター問題解決型サービス科学研究開発プログラムにおいて「経験価値の見える化を用いた共創的技能eラーニングサービスの研究と実証」プロジェクトを実施した(JST RISTEX 2016)．
本稿では，その概要と成果の概略を紹介するとともに，特に，その成果から得られた知見に基づき，サービスにおけるデータ・知識・情報について議論し，その計測，抽出，可視化，伝達，共有などに関する所見を述べる．
製造業，スポーツ，介護など，様々な分野において，技能教育の重要性が指摘されている．しかし，これまでの技能教育は，効率が悪く，技能教育サービスの顧客ロイヤルティは低い．本プロジェクトでは，技能を見える化し，サービス提供者（技能教育者）とサービス受容者（技能学習者）が，技能教育・学習の経験によって得られた価値を共創的に深め合えるようなeラーニングシステム（経験価値共創プラットフォーム）を開発することで，技能教育サービスの問題解決，技能教育における効率化，顧客の満足感およびロイヤルティの向上を図ることを目標とした．
2.2 プロジェクトの成果技能は暗黙知であり，また単なる知識やノウハウだけでなく身体運動を伴うことが多い．したがって，言語などで表現可能な知識の教育・学習において有効な従来のeラーニングシステムをそのまま適用するだけでは，効果的な技能教育・学習を実現することはできない．そこで本研究では，介護，製造現場，スポーツなどにおける技能教育・学習を取り上げ，技能の見える化のための技術開発を行った．まず，技能動作における3次元身体運動や筋活動をKinectやEMG（表面筋電計）を用いて簡便に計測し，その技能動作を任意視点から表示したり，実時間で表示できるような可視化技術およびシステムを開発した．また，計測した熟練技能者の運動のスケルトン3次元動画に基づき，技能者の技能動作を抽出するとともに，さらに計測した学習者の運動との差異から運動スキルを定量的に評価する手法およびシステムの開発を行った．これにより，学習者は習得した技能動作のスキルレベルを確認しながら，技能を効率的に学習することが可能になる．
また，技能教育サービスの枠組みとして，経験価値共創という概念（図1）を提案した．技能教育においては，サービス受容者である学習者は，技能教育サービスを利用することで上達し，それによって満足を得る．すなわち，サービスの利用を通して経験が価値となる．また，サービス提供者である教育者も，予め定められた教育コンテンツを一方的に教えるだけでなく，個々の学習者やその習得状況をその都度認識し，それに応じて教え方を随時選択しながら教育しており，教育者も技能教育の経験が価値となる．これらの経験価値や満足は，技能教育者と技能学習者の相互のインタラクションによって共創的に生まれる．技能が抽出され，技能学習・教育の経験によって獲得された学習ノウハウや教育スキルも形式知化できれば，それは，学習者のコミュニティの中や教育現場の教育者間で共有することが可能になる．本研究では，この概念に基づき，図2に示すような経験価値共創プラットフォームの開発を行った．ここでは，データベースが一つの重要な要素となる．
本研究では，これらの技能教育・学習に関係する全てのデータを格納し，ネットワーク経由で，どこからでもアクセスできるデータベースを開発した（図3）．具体的には，能動作に関する3次元身体運動データ，筋活動データのみならず，動画や写真などの映像，音声，心理学的・生理学的データ（後述），評価結果などのファクトデータ，さらには学習者からの質問・感想・コメントや，教育者からの回答・コメントなどのドキュメント，ヒヤリハットの事例などを蓄積・表示することが可能である．データベースのコメント項目は指導者により変えられるための可変構造になっており，データベースには，学習履歴を蓄積・表示するのみならず，指導傾向を抽出し可視化する機能があり，このデータベースを介した学習（eラーニング）を可能にした．
一方，満足感の評価に関しては，アンケートやインタビューなどに基づく統計分析が一般的であるが，この手法ではサービスの授受が行われた後の結果としての印象でしかないために，サービスを享受している最中の実時間評価は難しく，また主観的な印象であるために，客観的・定量的評価という点においても問題がある．そこで本研究では，簡易的な脳波計測や視線計測に基づく心理推定と動作分析を組み合わせ，技能学習中の学習者の満足感や不快感を客観的かつ定量的に推定・評価する手法を開発した．これにより，学習者の納得・不満・疑問といった心理状態を把握し，教育レベルの妥当性の評価や，指導すべき適切なタイミングの検出なども行うことが可能となり，技能教育者にとって，技能教育を適切に行うための重要な情報を提供することができるようになる．図4に，脳波計測の様子を示す．なお，脳波以外にも，心拍，発汗，筋電などの生理学的指標の計測データから，メンタルストレスを推定する手法なども開発されている（Wen et al. 2017)．
本プロジェクトに関するこれらの手法やシステムは，製造業，介護，スポーツなどの技能教育サービス現場で活用され，その有用性が確認された．特に，介護技能教育に関しては，この成果を組み込まれた教科書（保田 2016)が出版されており，日本ノーリフト協会の看護・介護の技能講習で活用されている．
成果の詳細に関しては，報告書（JST RISTEX 2016)や関連書籍（村上，新井 2017)を参照されたい．
技能教育・学習サービスに関する研究を通して得られた成果として，満足感評価手法など，本プロジェクトで開発された様々な手法を挙げることができるが，これらは技能教育サービスに限定されるものではないため，サービス科学としての学術的基盤と位置づけられるべき成果である．一方，技能教育サービスに関する研究プロジェクトを実施した結果，技能教育サービスは他のサービスとは異なるいくつかの特徴を有しており，従来のサービス科学の枠組みを拡張する必要があることが明らかになった．
従来のサービス科学では，サービスの一般的特徴として，
などが挙げられているが(Sasser 1978)，技能教育サービスは，他のサービスと異なり，サービス提供者と受容者という2者関係だけではなく，技能適用によって満足する者（最終顧客もしくはステークホルダー）が外部に存在する．すなわち，技能教育と技能適用という，3者（以上）の関係，すなわちサービスの多重構造が存在する．最終顧客もしくはステークホルダーとは，例えば，介護の場合には被介護者，製造業の場合には製造技能によって製造される製品のユーザー，スポーツの場合には，チームメート，チームのオーナー，ファン，家族などと考えられる．
技能サービスの受容者である技能学習者は，技能を学習した後に，技能を適用することでサービス提供者となり，最終顧客もしくはステークホルダーにサービスを提供できるようになる．また，技能学習者が技能教育者となれば，技能教育と学習を繰り返すことにより，技能も伝搬させ（いわゆる技能伝承），満足を拡大することが可能になる．ここでは，これを⑤多重性（Multiplicity），伝搬性（Propagatability）と呼ぶことができると考えられる（図5）．
また，通常のサービスでは，サービスを消費した瞬間に満足が生じ，サービスの価値はその場で消滅する（④消滅性）とされており，技能学習でも，コツを理解した瞬間などに満足感を感じると考えられる（アハ体験など）．これは短時間での変化という意味で微分的な満足であると言える．それに対し，技能学習では，学習者は長い時間をかけて技能を学習することで技能を獲得する，そして得られる満足もある．技能を適用できるように上達することが目的であれば，それこそが重要な価値となる．すなわち，これは，長期にわたる経験と蓄積によって技能が習得されることで得られる価値であり，これを⑥積分性（Integrability）と呼ぶことができると考えられる（図6）．
本研究プロジェクトによって，これまで熟練者が暗黙知として有していた技能が保存・継承できる形（データ，教科書，モデル）に形式知化することができるようになったが，この形式知化されたデータそのものが極めて大きな社会的財産であると言える．また，データを蓄積し，それを深層学習などに利用すれば，より大きな価値につながる可能性もある．それは，当該の教育者，学習者だけでなく，教育者や学習者のコミュニティで共有されることができるので，極めて大きな社会的変革をもたらす可能性がある．
本プロジェクトで扱った技能とその教育・伝承は，あらゆる分野に存在する問題である．ここで提案した経験価値共創の考え方，ここで開発した技能の見える化や満足感評価などの技術やシステム，プラットフォームは，技能教育サービス以外のサービス，さらにはより他の分野へも適用・展開可能なものであり，大きな社会的なインパクトを与える可能性がある．
技能教育・学習サービスプロジェクトにおいて，データは本質的に重要な要素である．これを深層学習などに活用すれば，さらに有用な機能を構成することも可能である．前述のように，本プロジェクトの技術的ポイントは，
などであるが，それぞれにおけるデータをより詳細に分類してみよう．
まず，①技能の見える化に関するデータは，熟練者の技能に関するデータであり，こうすべきというデータのみならず，こうしてはならないというデータも含まれる．これは技能教育・学習の現場という観点では技能学習者が利用するOff-lineデータということもできる．すなわち，予め，技能の抽出・形式知化を行っておき，技能学習の際にそれを活用できるようにしておくということに相当する．
また，②経験価値共創は，サービス提供者（技能教育者）→サービス受容者（技能学習者）だけでなく，サービス受容者（技能学習者）→サービス提供者（技能教育者）という技能教育におけるフィードバックという情報の流れを作ることを意味しており，いわば，教育者が，学習者を教育することでより優れた教育者になっていくというプロセスである．技能教育者は，技能を教育するスキルを最初から十分に有しているとは限らない．むしろ，教育経験に基づき，技能教育のスキルが徐々に身に付いていくと考える方が自然であろう．
教育する技能は，共通基盤的（学習者によらない）な基本的な技能（動作）と，深い知識や経験に基づく個々のケースに応じた応用的な技能（動作）とに分類できる．基本的技能は教科書化が可能でありそれをデータベースに格納しておくことが可能であるが，応用的技能については，データベースに蓄積された過去の技能教育データを分析し，クラスタリングし，学習者や学習パターンのグループ化・類型化を行うことによって，暗黙知である技能を形式知化する必要がある．そのプロセスを通して，応用技能も逐次教科書化していくことも可能になると考えられる．図7に教育すべき技能の形式知化・教科書化の概念を示す．
②経験価値共創に関する一つのデータは，技能学習の現場で学習者が学習している際に用いられるOn-lineデータである．技能教育現場において，教育者は，学習者の技能や，熟練者の技能との違いを技能教育の場で認識させ，また学習者もそれらを認識することで，熟練度を向上させる．もう一つのデータは，学習者の上達プロセスに関するデータ（学習の履歴）である．技能教育者が利用するデータであり，過去の技能教育・学習の履歴を利用することで，より効率的に技能を教育する方法を抽出する．
一方，技能学習者の③満足感評価に関するデータには，
に関するものがある．(a)は顧客満足形成モデル(Oliver 1997)の顧客の期待に関するものであり，サービスエンカウンターが関係する．一方，(b)はまさに，スキルレベル評価結果を実時間フィードバックすることで得られるデータ(センシングデータや行動・反応などのデータ)であり，また，(c)は，アンケート，インタビューなどのデータである．
4.2 技能教育・学習プロセスにおけるデータの蓄積・活用方法技能教育・学習プロセスにおけるデータの蓄積・活用プロセスを整理すると，主に3つのフェーズに分かれる．
（1） 技能のモデル化熟練者は自分が有する技能やコツを自分で認識しているとは限らない．認識している場合は熟練者自身が技能を表現することは可能なので，それをインタビューなどによって形式知化できる．しかし，技能が無意識で発揮されている場合には，その暗黙知を抽出するプロセスが重要となる．技能熟練者の技能動作に関して得られたデータは，off-lineで技能の抽出と形式知化，すなわちモデル化に利用される．
技能者が，特定の個人に限定されている場合，その技能者固有のデータから技能（「この人はこうやっている」）を抽出することになるが，より多くの技能者がいる場合には，複数の技能者のデータから，彼らの技能とその共通性や違いを分析・抽出することが重要になる．特に，共通性（「うまい人はみんなこうやっている」）は，一般化された技能である．すなわち，off-lineで取得したデータの中に，この技能のノウハウやコツに関する情報や知識が含まれており，それがサービスにおいての価値となる．抽出された技能に関する情報や知識はお手本（教科書）として記述され，学習者はそれを模倣するなど，その情報や知識を利用することで技能を学習することが可能になる．
（2） 技能の学習・適応一方で，技能学習者が技能を学習する際にセンサーなどによってon-lineで得られる技能動作のデータや生理データなどを，実時間で学習者や教育者にフィードバックすることも重要である．学習者と熟練者との違いや学習者の状態を見える化し，実時間で学習者や教育者にフィードバックすることで，学習者は効果的に学習することが可能になり，また教育者も技能を適応的に教育することが可能になる．
（3） 技能教育スキルの高度化さらに，経験価値共創の枠組みにおいては，過去の技能の教育・学習プロセスに関するデータを蓄積し，それを技能教育スキル向上のために活用することが極めて重要である．これはいわば，PDCA(PDSA)（後述）のサイクルを回しながら，技能教育経験を，技能教育者の教育スキルの学習・高度化に活かすということになる．
近年データサイエンスが注目されるようになった背景には，ネットワークによって大量のデータ(Big Data)の収集・蓄積・利用が可能になったことが挙げられる．現在では，さらにIoT(Internet of Things)によって，様々なセンサーデータなども大量に取得できるようになりつつある．一方で，現在の人工知能(AI: Artificial Intelligence)では，深層学習(Deep Learning)がその中核的な技術となっており，それを可能にしたのがBig Dataと大量なデータを高速で処理できるようになった情報処理技術である．
この，Big Data, IoT, AIなどが，「サービス」を大きく変えることは間違いない．よりよいサービスを創造する上には，サービス受容者（顧客）にサービスを提供した際に，サービス受容者がどのような満足を得たのかを評価するためのデータを何らかの方法によって収集・蓄積・分析することで，サービスを評価し，サービスの改善や新たなサービス設計に活用することが重要である．すなわち，PDCA（Plan（計画）→Do（実行）→Check（評価）→Act（改善）），もしくはPDSA（Plan（計画）→Do（実行）→Study（研究）→Act（改善））のサイクルを回すことが重要である．
また，特定の顧客のみならず，より多様な顧客を満足させるには，その過程において，それらのデータからサービス受容者の特徴や価値観のパターンを抽出，グループ化し，それに応じてサービスを提供できるようにする仕組みを作ることも重要である．その際，人が求めているものの傾向を分布（正規分布であれば平均と分散）として求めるのではなく，カテゴライズされた複数群の分類，さらには個人個人の違いを抽出し，その各群や個人に応じてサービスを提供できるような適応的なシステムを構築することが必要である．その分類の中では，すべての顧客が同等の特徴を有し，価値観を同じとみなせるのであれば，その代表的なモデルとしてペルソナを用いることが有効であるが，それが難しい場合は，個別の特徴を認識し，それぞれに応じて個別にサービスを提供する必要がある．
5.2 サービス創造のための情報・知識よりよいサービスを創造する上で，大量のデータの収集・蓄積・活用が重要であると述べたが，多くのデータがあっても，その中に多くの情報量が存在しているとは限らない．シャノンの情報理論によれば，知識を増加させたものが情報であり，データ量＝情報量ではない．すなわち，多くのデータが得られても，単なる同じことの繰り返しやコピーであれば，データとしては冗長で，情報量としては貧弱な可能性もある．本来必要なモデルを構成するのに必要かつ有用なデータをいかに取得するかという工夫が重要であり，やみくもにデータを取ればよい，という考え方は浅薄である．
一方，データの信頼性（信憑性），客観性という点での質も求められる．IoTから得られたデータやセンサーで計測されたデータはファクトデータであるため信憑性が高いが，アンケートやインタビューのデータは，人が表現した主観的データという点で必ずしも信頼できないために，扱いに注意する必要がある．
また，前述のように，人の状態，個体差，個性は多様であり，人によって嗜好や傾向が正反対というケースもある．したがって多くの人に関するデータを入手できたとしても，これらのデータを全て一括して，単なる平均やばらつきとして扱うのは危険である．個別のサービス提供を考えるのであれば，むしろそれぞれの差異とその意味を把握することが重要である．それに応じたサービス提供を行うことが可能になれば，それがサービスシステムの競争力につながる可能性がある．
本記事では，「経験価値の見える化を用いた共創的技能eラーニングサービスの研究と実証」の成果の概略を紹介するとともに，特に，その成果から得られた知見に基づき，サービスにおけるデータ・知識・情報について議論した．
Big Data, IoT, AIなどの技術によって，サービスの可能性は飛躍的に広がると考えられる．しかし，そこで扱うデータは，物理的なモノではなく，人に関するデータであることに十分注意する必要がある．そこには，身体などの物理量のみならず，様々な主観や心理学的，あるいは生理学的な情報が含まれていることを認識する必要があるし，その扱いに関しても十分配慮することが重要である．
本記事の内容は，「経験価値の見える化を用いた共創的技能ｅラーニングサービスの研究と実証」の成果に基づいている．株式会社Sケアデザイン研究所 石黒周氏，産業技術大学院大学 橋本洋志教授，東京電機大学鈴木聡准教授，東京大学 山下淳准教授，日本ノーリフト協会 保田淳子氏をはじめ，本プロジェクトにご協力いただいた多くの皆様に感謝申し上げる．
1984年東京大学大学院工学系研究科修士課程修了．1986年理化学研究所研究員補．同副主任研究員等を経て，2002年東京大学人工物工学研究センター教授．2009年より現職．日本機械学会等フェロー．工学博士．
