| name | analyze-behavior |
| description | 010_Daily の行動ログを収集・解析し、気分×行動の相関、時間帯パターン、トリガー分析を実施する。 |
| allowed-tools | Bash, Read |
| argument-hint | [period: week|month|YYYY-MM|all] (default: all) |
行動ログ分析
収集スクリプトで構造化 JSON を取得し、行動科学に基づく分析を行う。
Step 1: データ収集
$HOME/works/pehebase/behavior-log で収集スクリプトを実行する。
cd $HOME/works/pehebase/behavior-log && npm run collect -- $ARGUMENTS
- 引数なし /
all: 全期間
week: 直近7日
month: 直近30日
YYYY-MM: 指定月
出力は CollectedEntry[] の JSON 配列。各エントリ:
| フィールド | 型 | 説明 |
|---|
| date | string | YYYY-MM-DD |
| time | string | HH:MM |
| category | string | カテゴリ名 |
| actions | string[] | 行動リスト |
| location | string | 場所(空文字OK) |
| trigger | string | きっかけ(空文字OK) |
| mood | number | 気分の変化 -3〜+3(0=変化なし/未入力、相対値) |
| energy | number | エネルギー 0-5(0=未入力、絶対値) |
| body | number | 身体の調子 0-5(0=未入力、絶対値) |
注意: moodのみ相対値(行動前後の変化量)、energy/bodyは絶対値(現在の状態)。旧データではmoodも絶対値(1-5)で記録されている場合がある。
Step 2: 分析
データが3件未満の分析軸はスキップ。 無理に相関を主張しない。
2.1 サマリー
- 記録日数 / 期間日数 = カバー率
- 総エントリ数、1日平均
- カテゴリ別の出現回数(多い順)
2.2 気分変化 × 行動の相関
理論: 行動活性化療法(BA) — 「特定の活動→正の強化→気分改善」の因果連鎖
- カテゴリ別の平均気分変化量を比較(どの行動が気分を上げるか/下げるか)
- 気分が改善(+1以上)した行動 vs 悪化(-1以下)した行動のパターンの違い
- 気分変化が最もポジティブ/ネガティブな行動トップ3
2.3 時間帯パターン
理論: Quantified Self — 行動パターンは週単位で類似。時間帯で最適な行動タイミングを発見
- 午前(〜12:00) / 午後(12:00〜18:00) / 夜(18:00〜) の気分変化・エネルギー平均
- 曜日別パターン(2週間以上のデータがある場合のみ)
2.4 場所 × 気分・エネルギー
- 場所別の平均気分変化量・エネルギーレベル
- 各場所での主な活動
2.5 トリガー分析(認知パターン検出)
理論: Nisbett & Wilson (1977) — 人は行動の理由を正確に内省できない。自己報告した「きっかけ」は事実ではなく後付けの物語(confabulation)である可能性が高い。
したがってトリガー欄のテキストは「実際の原因」ではなく「本人の認知パターン」を示すデータとして扱う。
- トリガー欄に書かれた内容から認知の歪みパターンを検出(言い訳、社会比較、過度の一般化など)
- 同じ行動でもトリガー記述が異なるケースを比較(実際は同じ状況なのに異なる解釈をしていないか)
- 因果関係はデータから発見する: 行動・時刻・スコアの相関パターンを優先し、自己報告の「理由」に頼らない
2.6 身体状態トレンド
- エネルギー・身体の調子の推移(絶対値)
- 気分変化(相対値)とエネルギーレベル(絶対値)の関連性
- 身体の調子が低いときの共通要素
2.7 行動連鎖(Keystone Habits)
理論: ある行動が他の行動・状態に連鎖的に好影響する「キーストーン習慣」
- 同日内で前後する行動ペアの気分変化量
- 例: 「運動→学習」の順で記録すると気分変化量が大きい?
- 累積変化: 1日の合計気分変化量が高い日の行動パターン
Step 3: レポート出力
## 行動ログ分析レポート
**期間**: YYYY-MM-DD 〜 YYYY-MM-DD
**記録**: N日 / M日 (X%) | エントリ: N件
---
### カテゴリ分布
運動・身体活動 ████████░░ 8件
仕事・勉強 ██████████ 10件
...
### 主な発見
#### 1. [最重要パターン]
[データ(N=件数, 平均値)に基づく説明]
#### 2. [次のパターン]
...
### スコアボード
| 指標 | 型 | 平均 | 最高 | 最低 | 傾向 |
|------|------|------|------|------|------|
| 気分(相対) | 変化量 | +0.8 | +3 | -2 | ↑ |
| エネルギー | 絶対値 | 3.4 | 5 | 2 | → |
| 身体の調子 | 絶対値 | 3.8 | 5 | 2 | → |
### 改善アクション
1. [具体的な提案] — 根拠: [データ]
2. ...
注意事項
- N が小さい場合は「傾向の可能性(N=3)」のように明記
- illusory correlation(思い込みの相関)に注意。偶然の一致と区別する
- ポジティブな発見を先に、改善点は建設的に
- ユーザーのメモ(自由テキスト)にも注目。数値に表れない洞察がある
- 自己報告バイアスに注意: トリガー欄や行動メモの「理由」は事実ではなく認知パターンとして扱う。因果関係はスコアと行動の統計パターンから導出する
- ユーザーに「なぜその行動をしたか」を聞かない。データが語るパターンを提示して気づきを促す