[PYTHON] Japon Refus de rendez-vous à la conférence académique AI-Vers la création d'une réponse élégante-

Omission, bureaucrates

Le refus de nommer l'Académie japonaise des sciences est un problème, Comment allez-vous avec les bureaucrates?

Concernant la raison du refus de la nomination du Premier ministre Kan

―― "Vue d'ensemble complète" ―― "Jugement avec diversité à l'esprit"

"45% des membres appartiennent à l'ancienne université impériale" ―― «Il y a peu de gens du secteur privé et des jeunes, et il y a un parti pris»

La réponse est que j'ai progressivement ajouté un sens du concret.

―― "L'affiliation à une université privée est également rejetée"

"Les femmes (qui sont des minorités en premier lieu) sont également rejetées."

Dès que la contradiction est signalée en quelques secondes ...

Cependant, j'ai déjà refusé ~~ après avoir pris une décision ~~ Je ne peux pas demander au premier ministre pourquoi. Un excellent subordonné est celui qui comprend l'intention du supérieur. [^ 1]

L'apprentissage automatique pour démêler les connaissances du Premier ministre

D'autre part, essayer de trouver l'intention (logique) à partir de la liste de recommandations Il est difficile de trouver des fonctionnalités significatives même si la tabulation Excel est effectuée sur différents axes ...

Dans un tel cas, laissons cela à "AI". Grâce à l'apprentissage de la «prédiction de refus de rendez-vous» par l'IA, nous découvrirons les règles. [^ 2]

Données / fonctionnalités / modèle

Les données de la liste sont disponibles sur le site officiel de l'Académie japonaise des sciences. Utilisez "25e réunion annuelle de la Société japonaise des sciences (version globale) à compter du 1er octobre, 2e année de Reiwa" [^ 3] --Reportez-vous à Wikipédia pour obtenir des informations (nom, affiliation, spécialité) du recommandant qui s'est vu refuser le rendez-vous [^ 4]
Le champ spécialisé a été créé par l'auteur sur la base des informations de Wikipedia et comparé à la liste ci-dessus.
Puisque la «philosophie» a été donnée à la Faculté de théologie / École supérieure de religion, la «philosophie» a également été donnée au christianisme. ―― «Histoire de la pensée politique / philosophie politique» donne «politique» et «philosophie»

Nom (titre omis)	Domaine spécialisé
Ashina Sadamichi	philosophie
Shigenori Uno	Science politique / philosophie
Okada Masanori	Loi
Ryuichi Ozawa	Loi
Yoko Kato	Histoire
Takaaki Matsumiya	Loi

―― ~~ Je n'ai même pas vu la liste ~~ J'aurais dû lire la liste recommandée, mais en supposant que tous les membres actuels ne l'ont pas vue, j'ai ciblé les 105 personnes recommandées cette fois.

Puisque la construction d'un modèle prédictif n'est pas le véritable objectif, la totalité du montant est utilisée comme données d'entraînement.
En tant que quantité de caractéristiques, en plus de "sexe" et "âge", la chaîne de caractères incluse dans "affiliation / nom de travail" est convertie en une quantité de caractéristiques et utilisée. -Inclut ou non le nom des 7 anciennes universités impériales
Que ce soit ou non "Ritsumeikan University" et "Waseda University" sont inclus
Que ce soit ou non "national" et "co., Ltd." sont inclus


def add_kw_col(df, target, kw):
    """
    @param {DataFrame}df Trame de données d'origine
    @param {string}target kw Nom de colonne pour déterminer si elle contient une chaîne
    @param {string}kw La ligne incluse est 1,0 si non inclus
    """

    col = "{}in{}".format(kw, target)
    df[col] = 0
    df.loc[df[target].str.contains(kw), col] = 1

    return(df)

#Par exemple, l'ancien jugement de l'université impériale sur l'affiliation et le nom du poste
#Ajoutez une colonne intitulée "○○ Université dans l'affiliation / Nom du poste", 1/Drapeau 0
teidai = ["Université de Tokyo", "Université de Kyoto", "Université d'Osaka", "Université Tohoku", "Université de Nagoya", "Université de Hokkaido", "Université de Kyushu"]
for kw in teidai:
    df_all = add_kw_col(df_all, target="Affiliation / Titre du poste", kw=kw)

Le modèle utilise également un arbre de décision hautement interprétable, car il vise également à créer une réponse élégante avec une raison claire de refus. «Le fait est que si vous divisez les recommandateurs en deux groupes en fonction de cette valeur de cet élément, vous pouvez diviser relativement proprement la personne désignée et la personne rejetée.

from sklearn import tree

max_d = 6
clf = tree.DecisionTreeClassifier(criterion='gini',
                                  splitter='best', 
                                  max_depth=max_d, 
                                  min_samples_split=2,
                                  min_samples_leaf=1, 
                                  min_weight_fraction_leaf=0.0,
                                  max_features=None, random_state=None,
                                  max_leaf_nodes=None, class_weight=None, presort=False)
clf = clf.fit(X, y)

Résultats / Discussion

L'arbre déterminé construit est le suivant.

Mis à part les petits nombres, lorsqu'ils sont transcrits en lettres ... [^ 6]

Si vous êtes spécialisé en droit et appartenez à l'Université de Ritsumeikan, ** refusez! ** **
Si vous avez 61 ans ou plus et appartenez à l'Université Waseda, spécialisée en droit et non en études environnementales, ** refusez! ** **
Si vous êtes spécialisé en droit et que vous avez 61 ans ou moins, ** rejetez! ** **
Si vous êtes spécialisé en philosophie et que vous avez moins de 56 ans, ** rejetez! ** **
Si vous vous spécialisez en histoire et appartenez à l'Université de Tokyo, ** refusez! ** **
Si vous vous spécialisez en philosophie et avez plus de 63 ans, vous pouvez en quelque sorte refuser

Il semble que «vieil empereur», «plus jeune» et «privé» n'ont rien à voir l'un avec l'autre.

** Je n'ai pas compris la raison du refus, même pour "AI" ** dans 6. Le professeur Ashina, qui se serait vu refuser sa nomination, et le professeur Yoshioka, qui est actuellement membre, Appartenant à la même université de Kyoto, 64 ans, spécialisée en philosophie, Cette analyse n'a pas révélé la raison du refus.

Cela signifie que la quantité de fonctionnalités est insuffisante ... Au moment de la décision, il semble que le premier ministre ait obtenu des informations autres que la liste de quelque part ~~.

en conclusion

Le point est "Je veux reproduire le jugement de quelqu'un", donc dans l'introduction AI PRJ, des thèmes communs tels que "éviter la personnalisation" et "utiliser les connaissances des vétérans" sont des thèmes communs.
C'est probablement possible si les données sont en place, "AI qui donnera une raison plus tard aux remarques du Premier ministre ~~" [^ 7]
Je pense que c'est un DX indispensable pour réformer le style de travail des bureaucrates, éviter la confusion au sein de la Diète et finalement améliorer le taux d'approbation du Cabinet. Et le ministre Hirai?

[^ 1]: Je ne sais pas si les bureaucrates ont écrit la réponse. [^ 2]: Ce n'est pas vraiment bien de faire ça dans un vrai PRJ. Considérons la prédiction et le raisonnement causal séparément. Le client veut faire une inférence causale du milieu, mais rejetons-la avec élégance.