Submit Search
Upload
変革を定着させる行動原理のマネジメント
•
4 likes
•
1,948 views
Hiroki Hinoura
Follow
Report
Share
Report
Share
1 of 12
Download now
Download to read offline
Recommended
CVPR2019読み会@関東CV
CVPR2019読み会@関東CV
Takanori Ogata
[DL輪読会]Opening the Black Box of Deep Neural Networks via Information
[DL輪読会]Opening the Black Box of Deep Neural Networks via Information
Deep Learning JP
【DL輪読会】Generative models for molecular discovery: Recent advances and challenges
【DL輪読会】Generative models for molecular discovery: Recent advances and challenges
Deep Learning JP
【DL輪読会】DINOv2: Learning Robust Visual Features without Supervision
【DL輪読会】DINOv2: Learning Robust Visual Features without Supervision
Deep Learning JP
SSII2021 [OS2-03] 自己教師あり学習における対照学習の基礎と応用
SSII2021 [OS2-03] 自己教師あり学習における対照学習の基礎と応用
SSII
[DL輪読会]Geometric Unsupervised Domain Adaptation for Semantic Segmentation
[DL輪読会]Geometric Unsupervised Domain Adaptation for Semantic Segmentation
Deep Learning JP
CVPR 2020報告
CVPR 2020報告
日本ディープラーニング協会(JDLA)
文献紹介:Swin Transformer: Hierarchical Vision Transformer Using Shifted Windows
文献紹介:Swin Transformer: Hierarchical Vision Transformer Using Shifted Windows
Toru Tamaki
Recommended
CVPR2019読み会@関東CV
CVPR2019読み会@関東CV
Takanori Ogata
[DL輪読会]Opening the Black Box of Deep Neural Networks via Information
[DL輪読会]Opening the Black Box of Deep Neural Networks via Information
Deep Learning JP
【DL輪読会】Generative models for molecular discovery: Recent advances and challenges
【DL輪読会】Generative models for molecular discovery: Recent advances and challenges
Deep Learning JP
【DL輪読会】DINOv2: Learning Robust Visual Features without Supervision
【DL輪読会】DINOv2: Learning Robust Visual Features without Supervision
Deep Learning JP
SSII2021 [OS2-03] 自己教師あり学習における対照学習の基礎と応用
SSII2021 [OS2-03] 自己教師あり学習における対照学習の基礎と応用
SSII
[DL輪読会]Geometric Unsupervised Domain Adaptation for Semantic Segmentation
[DL輪読会]Geometric Unsupervised Domain Adaptation for Semantic Segmentation
Deep Learning JP
CVPR 2020報告
CVPR 2020報告
日本ディープラーニング協会(JDLA)
文献紹介:Swin Transformer: Hierarchical Vision Transformer Using Shifted Windows
文献紹介:Swin Transformer: Hierarchical Vision Transformer Using Shifted Windows
Toru Tamaki
最近(2020/09/13)のarxivの分布外検知の論文を紹介
最近(2020/09/13)のarxivの分布外検知の論文を紹介
ぱんいち すみもと
[DL輪読会]Focal Loss for Dense Object Detection
[DL輪読会]Focal Loss for Dense Object Detection
Deep Learning JP
Skip Connection まとめ(Neural Network)
Skip Connection まとめ(Neural Network)
Yamato OKAMOTO
高次元空間におけるハブの出現 (第11回ステアラボ人工知能セミナー)
高次元空間におけるハブの出現 (第11回ステアラボ人工知能セミナー)
STAIR Lab, Chiba Institute of Technology
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII
Image Retrieval Overview (from Traditional Local Features to Recent Deep Lear...
Image Retrieval Overview (from Traditional Local Features to Recent Deep Lear...
Yusuke Uchida
Hessian free
Hessian free
Jiro Nishitoba
最急降下法
最急降下法
Akira Miyazawa
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
西岡 賢一郎
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
joisino
機械学習を民主化する取り組み
機械学習を民主化する取り組み
Yoshitaka Ushiku
生成モデルの Deep Learning
生成モデルの Deep Learning
Seiya Tokui
[DL輪読会]Invariance Principle Meets Information Bottleneck for Out-of-Distribut...
[DL輪読会]Invariance Principle Meets Information Bottleneck for Out-of-Distribut...
Deep Learning JP
関西CVPRML勉強会2018 岡本大和 Unsupervised Feature Learning Via Non-Parametric Instanc...
関西CVPRML勉強会2018 岡本大和 Unsupervised Feature Learning Via Non-Parametric Instanc...
Yamato OKAMOTO
深層生成モデルを用いたマルチモーダル学習
深層生成モデルを用いたマルチモーダル学習
Masahiro Suzuki
[DL輪読会]Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
[DL輪読会]Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
Deep Learning JP
パターン認識第9章 学習ベクトル量子化
パターン認識第9章 学習ベクトル量子化
Miyoshi Yuya
ベイズの識別規則
ベイズの識別規則
Shuhei Sowa
【DL輪読会】Free Lunch for Few-shot Learning: Distribution Calibration
【DL輪読会】Free Lunch for Few-shot Learning: Distribution Calibration
Deep Learning JP
ECCV2020 オーラル論文完全読破 (2/2)
ECCV2020 オーラル論文完全読破 (2/2)
cvpaper. challenge
Dickinson market report 1 q 2013
Dickinson market report 1 q 2013
Jeff Bulman
Why you need "Change planner" ? we have to align biz model ASAP.
Why you need "Change planner" ? we have to align biz model ASAP.
koichi ikeda
More Related Content
What's hot
最近(2020/09/13)のarxivの分布外検知の論文を紹介
最近(2020/09/13)のarxivの分布外検知の論文を紹介
ぱんいち すみもと
[DL輪読会]Focal Loss for Dense Object Detection
[DL輪読会]Focal Loss for Dense Object Detection
Deep Learning JP
Skip Connection まとめ(Neural Network)
Skip Connection まとめ(Neural Network)
Yamato OKAMOTO
高次元空間におけるハブの出現 (第11回ステアラボ人工知能セミナー)
高次元空間におけるハブの出現 (第11回ステアラボ人工知能セミナー)
STAIR Lab, Chiba Institute of Technology
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII
Image Retrieval Overview (from Traditional Local Features to Recent Deep Lear...
Image Retrieval Overview (from Traditional Local Features to Recent Deep Lear...
Yusuke Uchida
Hessian free
Hessian free
Jiro Nishitoba
最急降下法
最急降下法
Akira Miyazawa
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
西岡 賢一郎
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
joisino
機械学習を民主化する取り組み
機械学習を民主化する取り組み
Yoshitaka Ushiku
生成モデルの Deep Learning
生成モデルの Deep Learning
Seiya Tokui
[DL輪読会]Invariance Principle Meets Information Bottleneck for Out-of-Distribut...
[DL輪読会]Invariance Principle Meets Information Bottleneck for Out-of-Distribut...
Deep Learning JP
関西CVPRML勉強会2018 岡本大和 Unsupervised Feature Learning Via Non-Parametric Instanc...
関西CVPRML勉強会2018 岡本大和 Unsupervised Feature Learning Via Non-Parametric Instanc...
Yamato OKAMOTO
深層生成モデルを用いたマルチモーダル学習
深層生成モデルを用いたマルチモーダル学習
Masahiro Suzuki
[DL輪読会]Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
[DL輪読会]Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
Deep Learning JP
パターン認識第9章 学習ベクトル量子化
パターン認識第9章 学習ベクトル量子化
Miyoshi Yuya
ベイズの識別規則
ベイズの識別規則
Shuhei Sowa
【DL輪読会】Free Lunch for Few-shot Learning: Distribution Calibration
【DL輪読会】Free Lunch for Few-shot Learning: Distribution Calibration
Deep Learning JP
ECCV2020 オーラル論文完全読破 (2/2)
ECCV2020 オーラル論文完全読破 (2/2)
cvpaper. challenge
What's hot
(20)
最近(2020/09/13)のarxivの分布外検知の論文を紹介
最近(2020/09/13)のarxivの分布外検知の論文を紹介
[DL輪読会]Focal Loss for Dense Object Detection
[DL輪読会]Focal Loss for Dense Object Detection
Skip Connection まとめ(Neural Network)
Skip Connection まとめ(Neural Network)
高次元空間におけるハブの出現 (第11回ステアラボ人工知能セミナー)
高次元空間におけるハブの出現 (第11回ステアラボ人工知能セミナー)
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
Image Retrieval Overview (from Traditional Local Features to Recent Deep Lear...
Image Retrieval Overview (from Traditional Local Features to Recent Deep Lear...
Hessian free
Hessian free
最急降下法
最急降下法
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
機械学習を民主化する取り組み
機械学習を民主化する取り組み
生成モデルの Deep Learning
生成モデルの Deep Learning
[DL輪読会]Invariance Principle Meets Information Bottleneck for Out-of-Distribut...
[DL輪読会]Invariance Principle Meets Information Bottleneck for Out-of-Distribut...
関西CVPRML勉強会2018 岡本大和 Unsupervised Feature Learning Via Non-Parametric Instanc...
関西CVPRML勉強会2018 岡本大和 Unsupervised Feature Learning Via Non-Parametric Instanc...
深層生成モデルを用いたマルチモーダル学習
深層生成モデルを用いたマルチモーダル学習
[DL輪読会]Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
[DL輪読会]Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
パターン認識第9章 学習ベクトル量子化
パターン認識第9章 学習ベクトル量子化
ベイズの識別規則
ベイズの識別規則
【DL輪読会】Free Lunch for Few-shot Learning: Distribution Calibration
【DL輪読会】Free Lunch for Few-shot Learning: Distribution Calibration
ECCV2020 オーラル論文完全読破 (2/2)
ECCV2020 オーラル論文完全読破 (2/2)
Viewers also liked
Dickinson market report 1 q 2013
Dickinson market report 1 q 2013
Jeff Bulman
Why you need "Change planner" ? we have to align biz model ASAP.
Why you need "Change planner" ? we have to align biz model ASAP.
koichi ikeda
ディープリンク対応とユーザー定着率を向上させるチーム体制
ディープリンク対応とユーザー定着率を向上させるチーム体制
Kazuya Yabu
Herding CATS: Gaining user adoption with these 4 principles
Herding CATS: Gaining user adoption with these 4 principles
Ryan Dennis
『人材育成の教科書』(高原 暢恭)の内容が人事、特に研修の基礎知識として参考になりそうなのでまとめてみた
『人材育成の教科書』(高原 暢恭)の内容が人事、特に研修の基礎知識として参考になりそうなのでまとめてみた
Ayumu Kohiyama
Unicode絵文字とキャリア絵文字
Unicode絵文字とキャリア絵文字
宏章 大橋
mosaic:「キャリア:キャリアの軸と、キャリア展望の視点」
mosaic:「キャリア:キャリアの軸と、キャリア展望の視点」
Hisashi Yamada
CEDEC2016 「コントラスト」で考えるゲームデザイン・レベルデザイン
CEDEC2016 「コントラスト」で考えるゲームデザイン・レベルデザイン
Kouji Ohno
Psychology of user adoption
Psychology of user adoption
Joyce Hostyn
みんなで市場変化を予測して自分のキャリアを考える会
みんなで市場変化を予測して自分のキャリアを考える会
Mariko Hayashi
10年後のために考える、キャリアの戦略 先生:村尾 佳子
10年後のために考える、キャリアの戦略 先生:村尾 佳子
schoowebcampus
Viewers also liked
(11)
Dickinson market report 1 q 2013
Dickinson market report 1 q 2013
Why you need "Change planner" ? we have to align biz model ASAP.
Why you need "Change planner" ? we have to align biz model ASAP.
ディープリンク対応とユーザー定着率を向上させるチーム体制
ディープリンク対応とユーザー定着率を向上させるチーム体制
Herding CATS: Gaining user adoption with these 4 principles
Herding CATS: Gaining user adoption with these 4 principles
『人材育成の教科書』(高原 暢恭)の内容が人事、特に研修の基礎知識として参考になりそうなのでまとめてみた
『人材育成の教科書』(高原 暢恭)の内容が人事、特に研修の基礎知識として参考になりそうなのでまとめてみた
Unicode絵文字とキャリア絵文字
Unicode絵文字とキャリア絵文字
mosaic:「キャリア:キャリアの軸と、キャリア展望の視点」
mosaic:「キャリア:キャリアの軸と、キャリア展望の視点」
CEDEC2016 「コントラスト」で考えるゲームデザイン・レベルデザイン
CEDEC2016 「コントラスト」で考えるゲームデザイン・レベルデザイン
Psychology of user adoption
Psychology of user adoption
みんなで市場変化を予測して自分のキャリアを考える会
みんなで市場変化を予測して自分のキャリアを考える会
10年後のために考える、キャリアの戦略 先生:村尾 佳子
10年後のために考える、キャリアの戦略 先生:村尾 佳子
Similar to 変革を定着させる行動原理のマネジメント
勉強会に参加する人のための『イノベーション理論とリーダーシップ理論』20140909
勉強会に参加する人のための『イノベーション理論とリーダーシップ理論』20140909
Masayoshi Arakawa
最高の自分に進化する方法【コンサル起業実践講座】
最高の自分に進化する方法【コンサル起業実践講座】
伊藤 剛志
関西バランス・スコアカード研究会 資料
関西バランス・スコアカード研究会 資料
関西 バランス・スコアカード研究会
最高の自分を手に入れる方法
最高の自分を手に入れる方法
起業実践会
はじめての自己組織化
はじめての自己組織化
Yoshinori Ueda
20120410 ソーシャルシフトの成長と発展についてver.2
20120410 ソーシャルシフトの成長と発展についてver.2
Yuji Ishimoto
20100919 オーガニゼーショナルヒューマンサービス2
20100919 オーガニゼーショナルヒューマンサービス2
Keiichi Yokoyama
100320働くみんなのモチベーション論
100320働くみんなのモチベーション論
guest14672756
Dalton jeff aph presentation v4
Dalton jeff aph presentation v4
Hiroshi Kobayashi
170616講演プレゼン資料ver.1
170616講演プレゼン資料ver.1
浩之 柳瀬
リーダーシップとは
リーダーシップとは
Masahiro Ito
Shikigaku_20221220.pdf
Shikigaku_20221220.pdf
ssuserc7d339
リーダーシップ
リーダーシップ
Masahiro Ito
2011 06-20-経営学授業メモ
2011 06-20-経営学授業メモ
Yukio Saito
Challenge
Challenge
SoSato123
会員研究会について
会員研究会について
NOMA-CHUBU
Teamkeieiprogram20080722
Teamkeieiprogram20080722
義浩 広瀕
ベンチャーマネージャーのマニュアル③基本動作
ベンチャーマネージャーのマニュアル③基本動作
禎庸 長村
若手社員の研究会について
若手社員の研究会について
NOMA-CHUBU
『メリットの法則―― 行動分析学・実践編』
『メリットの法則―― 行動分析学・実践編』
Naoki Sugiura
Similar to 変革を定着させる行動原理のマネジメント
(20)
勉強会に参加する人のための『イノベーション理論とリーダーシップ理論』20140909
勉強会に参加する人のための『イノベーション理論とリーダーシップ理論』20140909
最高の自分に進化する方法【コンサル起業実践講座】
最高の自分に進化する方法【コンサル起業実践講座】
関西バランス・スコアカード研究会 資料
関西バランス・スコアカード研究会 資料
最高の自分を手に入れる方法
最高の自分を手に入れる方法
はじめての自己組織化
はじめての自己組織化
20120410 ソーシャルシフトの成長と発展についてver.2
20120410 ソーシャルシフトの成長と発展についてver.2
20100919 オーガニゼーショナルヒューマンサービス2
20100919 オーガニゼーショナルヒューマンサービス2
100320働くみんなのモチベーション論
100320働くみんなのモチベーション論
Dalton jeff aph presentation v4
Dalton jeff aph presentation v4
170616講演プレゼン資料ver.1
170616講演プレゼン資料ver.1
リーダーシップとは
リーダーシップとは
Shikigaku_20221220.pdf
Shikigaku_20221220.pdf
リーダーシップ
リーダーシップ
2011 06-20-経営学授業メモ
2011 06-20-経営学授業メモ
Challenge
Challenge
会員研究会について
会員研究会について
Teamkeieiprogram20080722
Teamkeieiprogram20080722
ベンチャーマネージャーのマニュアル③基本動作
ベンチャーマネージャーのマニュアル③基本動作
若手社員の研究会について
若手社員の研究会について
『メリットの法則―― 行動分析学・実践編』
『メリットの法則―― 行動分析学・実践編』
変革を定着させる行動原理のマネジメント
1.
変革を定着させる行動原理の マネジメント
2.
書籍情報 『変革を定着させる行動原理のマネジメント』 中島克也(著) 国際コーチ連盟マスター認定コーチ (出版社) ダイヤモンド社 【概要】 人の「行動原理」を利用して変化を押しつぶす「慣性」を マネジメントする。成長し続ける個人、発展し続ける組織 をつくり出す、行動科学のシンプルな方法論。
3.
目次 • 1章 なぜ、変革は続かないのか? • 2章 人の行動原理をマネジメントする •
3章 変革行動を継続させる5つのステップ • 4章 人と組織の「慣性」をマネジメントする • 5章 自走する組織・チームのつくり方
4.
2つの根本原因とその処方箋 1章 なぜ、変革は続かないのか? ① 行動を継続して起させる「刺激の与え方を知らない」こと → 処方箋:行動原理を知って正しい刺激を与える方法を知ること ② 人にも組織にも「慣性」が働いているが、それを軽視していること → 処方箋:人・組織の慣性を知って、それを変える方法を知ること 慣性:変化を嫌い、現状維持や過去の経験に基づく短絡的判断をする性質
5.
人は「きっかけ」ではなく「結果」で動く 2章 人の行動原理をマネジメントする 行動の原理を示す「ABCモデル」 人間の行動は、「誘発要因」ではなく「行動結果」により変化し、定着する 誘発要因 Antecedents 行動を促すあらゆる事柄 行動 Behavior 何をするか どう行うか 行動結果 Consequences 行動した結果、起こること 行動者が感じること 行動結果は、将来の行動に最も大きな影響を与える *将来再びその行動が起こるか否か、その可能性を高めたり、減少させたりするのは「行動結果」によるもの
6.
行動を促進させる・ストップさせる法則 2章 人の行動原理をマネジメントする 承認による行動強化 脅迫による行動強化 処罰による行動弱化 無視による行動弱化 行動を増やす効果 行動を減らす効果 欲しいものを得る 嫌なものをさける 嫌なものを得る 欲しいものを もらえない 例)良い提案をしたら 顧客に感謝された 例)月末までに報告書を作成しないと 評価を下げると上司に言われた 例)ミスをしたら、 皆の前で上司に叱られた 例)業務マニュアルを作成したが みんな使ってくれなかった
7.
4つの行動結果を使い分けて部下を変える 2章 人の行動原理をマネジメントする 望ましい行動 → 承認・脅迫による行動強化で行動増加 望ましくない行動 → 処罰・無視による行動弱化で行動減少 承認による行動強化 want to
do → 最大限の能力発揮 脅迫による行動強化 have to do → 最小限の成果 「承認」と「脅迫」どちらが効果的
8.
4つの行動結果を使い分けて部下を変える 2章 人の行動原理をマネジメントする 行動結果は組み合わせて使う 「ほめるところが無い」「行動が少ない」→【脅迫×承認】 *行動を増加させ、望ましい行動を定着させる 「他人を傷つける」「不正を行う」→【処罰×承認】 *望ましくない行動を減らし、望ましい行動を増やす 「不平・不満・愚痴」「建設的でない」→【無視×承認】 *望ましくない行動を減らし、望ましい行動を増やす 注)無視による暴発 対応)期待する行動をしめす → 実行されれば承認 例)お菓子を買ってもらいたい子どもが通路に座り込み泣きながらおね だりする。「起き上がって静かにしなさい」と望ましい行動を示す。
9.
行動の背景をつかむPIC/NIC分析 2章 人の行動原理をマネジメントする STEP1:問題行動を特定する 例)「主任が若手社員の教育をしようとしない」 STEP2:その誘発要因を特定する その問題行動を起こす原因や背景を列挙する。 「時間的余裕がない」 「周りも取り組んでいない」 STEP3:行動結果を導き出す 問題行動を取った後、その部下はどのような気持ちになったのか列挙します。 「自分でやったほうが楽だし早かった」 「誰からも文句を言われなかった」 「評価が悪くなるかもしれない」 部下の環境に焦点を当てた問題解決技法の一つ
10.
行動の背景をつかむPIC/NIC分析 2章 人の行動原理をマネジメントする STEP4:行動結果を分析する 導き出した行動結果を、次の3つの視点から分析する。 これによって、問題行動の将来の頻度が予想できる。 ①Positive/Negative 自分にとってプラス(ポジティブ)かマイナス(ネガティブ)か? ②Immediate/Future 自分に即座に起こるか、将来起こるか? ③Certain/Uncertain 自分に確実に起こるか、不確実か? 例)「自分でやったほうが早かった」→ 行動が続いてしまう 本人にとっては、ポジティブ(P)で、即座に(I)、確実に(C)に起こるものなので、PICになる。 「評価が悪くなるかもしれない」→ 行動はほとんど変わらない 評価が悪くなるはネガティブ(N)ですが、即座(I)かどうかというとそうではなく将来(F)で、確実に 悪い評価になるかというとそうとは限りらない(U)。 部下の環境に焦点を当てた問題解決技法の一つ
11.
行動の背景をつかむPIC/NIC分析 それぞれ将来の行動の頻度への影響の与え方が6つのレベルに分けられる。 2章 人の行動原理をマネジメントする PIC: 行動を繰り返し行う PFC・PIU:行動を適度に繰り返す PFU: ほとんど変化なし NFU: ほとんど変化なし NFC・NIU:行動を適度にやめる NIC: 行動をやめる 部下の行動分析をして、 望ましい行動を増やし、望ましくない行動を減らす
12.
3章へ続く...
Download now