マツダ技報2025

57/257

のや1（）2．12．．345．7――6（）34（））（））6）マツダ技報No.41（2025）　 （ J. Xiang, et al., A Lasso for Learning a Sparse ）5. 考察6. おわりに4Fig. 6Well-Being Sheet of Mazda　今回デザインしたシステムでは「従業員幸福感」を統計でいう目的変数に置いている。この観測変数の名称は仮説担当者が任意に決めることができる。数間のパスや共分散の組み合わせが何とおりも発生するため，先行研究の知見等を踏まえ，その組み合わせの候補を絞る必要がある。今回採用したベイジアンネットワークによるアプローチでもこの組み合わせの候補は複数提案されることが分かり，モデル構築がデータ依存であることが改めて確認された。心部の水準に偏る分布が多く，ガウス分布に近い変数が多くなっていた。このような関係性を見落としてしまうとデータ集団の計上手段を間違えてしまう可能性もあり，散布図の確認も必要だと考えた。一方でデータ群は分散が大きく，サンプル数が少ない場合でもCFI良好な適合度のきた点や残る技術的課題を下記にまとめる。SEMの仮説構造を効率的に更新して適合できる設計の糸口がつかめた。潜在変数を間接的に推定する（測定された観測変数から計算する）というために，ベイジアンネットワークや因子分析を前処理として利用する強みが示唆された。社員意識調査のデータに対して変数間の関係性を示すモデルを可視化し社内でのデータ活用につなげた。他のケースで適合度を確保できるかは分からないため，別のサンプルで同じモデルが適用できるかどうか確認することが今後の課題である。　本共創の取り組みを分析を用いることで，仕事のパフォーマンス（生産性や創造性）に幸福感のいくつかの因子が影響することを明確にできた。また，この成果は各部門の本部長や労使懇談会で有効なツールとして活用された。当初はデータの70201920232014in Neural Information pp.124-125SEMTest Case1のデータは中Test Case2RMSEAの値が得られた。貢献でによるモデル構築のSEMSEMを行うことで，年間社内で継続してきた。この参考文献分析手法と結果の可視化方法を改良し，個人回答の背景にある職場の現状を理解することに焦点を当てていたが，社内での反響から以下の副次的な価値が生まれている。全社共通フォーマットにより，現状の開示・比較が容易になり，部門間のコミュニケーションが増加した。これにより，全社の職場改善活動がより前向きに変化している。個人ではなく職場環境に焦点を当てることで，改善に取り組む人の心理的負担が軽減された。社員意識調査の分析を従業員に共有して本活動を活用することで，相互理解が進むことを願っている。この取り組みは社内だけでなく学会でも大きな反響を得た。今後も会社の枠を超えた共創活動や部門を超えた意見交換を継続できるような取り組みを進めていきたい。　これまで広島大学・福岡大学とマツダの産学連携研究に関わってくださった関係のみなさま全員にお礼申し上では，変げる。特にプロジェクトリーダーであった吉永冬彦氏にはマツダ在職時に本研究を牽引していただいた。更にSICE ANNUAL CONFERENCE 20242024年のループ・ダイナミックス学会第様に現場で活用したいという意見を多く頂戴し，会場で多くの興味深い意見をいただいた。感謝申し上げる。ﾠ（ K. A. Hallgren, C. J. McCabe, K. M. King, D. C. ）Atkins, Beyond Path Diagrams: Enhancing Applied Structural Equation Modeling Research through Data Visualization, Addictive behaviors, Vol.94, pp.74-82, July, ﾠ（ D. A. Fife, S. M. Brunwasser, E. C. Merkle, Seeing ）the impossible: Visualizing latent variable models with flexplavaan. Psychological Approachs, 28pp.1456–1477, （ﾠ（ H. Toyota, Structural Equation Modeling AMOS ）Edition, Tokyo-Tosho, ﾠ（ S. Shimizu, P. O Hoyer, et al., A Linear Non Gaussian ）Acyclic Model for causal Discovery, Journal of Machine Learning research 7, pp.2003-2030,2006ﾠ（Bayesian Network Structure for Continuous Variables, Advances Processing Systems 26, NIPS 小川史恵・古川善成・吉永冬彦・中島健一郎，ﾠ（“データドリブンに基づく感性評価についての探索70的研究”日本グループ・ダイナミックス学会第回大会発表論文集，ﾠ（ F. Ogawa, Y. Furukawa, F. Yoshinaga, K. Tomii, K. ）Nakashima, Study of sensitivity evaluation based on the data driven, 63rd Annual Conference of the 48や日本グ回大会においても皆, ）20132024，（