CN107680019B - 一种考试方案的实现方法、装置、设备及存储介质 - Google Patents
一种考试方案的实现方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN107680019B CN107680019B CN201710919006.2A CN201710919006A CN107680019B CN 107680019 B CN107680019 B CN 107680019B CN 201710919006 A CN201710919006 A CN 201710919006A CN 107680019 B CN107680019 B CN 107680019B
- Authority
- CN
- China
- Prior art keywords
- test question
- test
- examination
- questions
- answer information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012360 testing method Methods 0.000 claims abstract description 318
- 238000011156 evaluation Methods 0.000 claims description 20
- 230000014509 gene expression Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000002996 emotional effect Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 235000012054 meals Nutrition 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008921 facial expression Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000013442 quality metrics Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
- G06V40/175—Static expression
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Resources & Organizations (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Human Computer Interaction (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种考试方案的实现方法、装置、设备及存储介质，所述方法包括：确定待推送的当前试题，并向考生推送；获取考生针对所述当前试题的答题信息；基于预设试题关系模型对所述答题信息进行测评，以确定下一道试题；将所述下一道试题更新作为当前试题，并返回执行推送操作，直至确定考试结果。本发明实施例提供的一种考试方案的实现方法，实现了简化考试试题的确定方式，且确定的考试试题能够灵活适应不同考生的情况。
Description
技术领域
本发明实施例涉及数据处理技术，尤其涉及一种考试方案的实现方法、装置、设备及存储介质。
背景技术
在日常生活中，“考试”无处不在，考试是考核一个团队竞争力最有效快捷的方式。例如总公司每个季度都需要对各分公司的客服、销售等人员进行考试，以了解员工的综合能力，例如对基本知识的掌握程度、特定场景下分析问题的能力、沟通能力以及心理素质等各方面的综合能力。
考试通常会包括笔试和面试两部分；对于笔试部分，现有的做法是：由专门的考务工作人员根据考生的工作场景，制定特定的场景例如续费场景或者新产品推荐场景等，根据特定的场景随机筛选特定场景下的题目，组成笔试考试试卷。对于面试部分，现有的做法是由面试官与考生进行视频、当面或电话沟通，从沟通思路、层次以及语言表达等方面对考生做出综合评分。
现有的考试方法不可避免地面临很多实际问题，例如，由于考生涉及的工作场景众多，由专门的考务工作人员根据考生的工作场景制定考试题目，工作量巨大，且效率不高，更无法挖掘每个考生的潜质。
发明内容
本发明实施例提供一种考试方案的实现方法、装置、设备及存储介质，以简化考试试题的确定方式，能灵活适应不同考生的情况。
第一方面，本发明实施例提供了一种考试方案的实现方法，所述方法包括：
确定待推送的当前试题，并向考生推送；
获取考生针对所述当前试题的答题信息；
基于预设试题关系模型对所述答题信息进行测评，以确定下一道试题；
将所述下一道试题更新作为当前试题，并返回执行推送操作，直至确定考试结果。
第二方面，本发明实施例还提供了一种考试方案的实现装置，所述装置包括：
试题推送模块，用于确定待推送的当前试题，并向考生推送；
答题信息获取模块，用于获取考生针对所述当前试题的答题信息；
试题确定模块，用于基于预设试题关系模型对所述答题信息进行测评，以确定下一道试题；
试题更新模块，用于将所述下一道试题更新作为当前试题，并返回执行推送操作，直至确定考试结果。
第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述第一方面所述的考试方案的实现方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如上述第一方面所述的考试方案的实现方法。
本发明实施例提供的一种考试方案的实现方法，能够根据当前试题的答题信息，基于预设试题关系模型对所述答题信息进行测评，以确定下一道试题，从而能够针对不同考生的答题情况，自动地不断调整后续试题，实现了简化考试试题的确定方式，且确定的考试试题能够灵活适应不同考生的情况，挖掘考生的不同潜力方向。
附图说明
图1为本发明实施例一提供的一种考试方案的实现方法流程示意图；
图2为本发明实施例一提供的一种试题关系树的示意图；
图3为本发明实施例二提供的一种考试方案的实现方法流程示意图；
图4为本发明实施例二提供的另一种考试方案的实现方法流程示意图；
图5为本发明实施例三提供的一种考试方案的实现方法流程示意图；
图6为本发明实施例四提供的一种考试方案的实现装置的结构示意图；
图7为本发明实施例五提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种考试方案的实现方法流程示意图，本实施例可适用于针对不同的考生灵活确定不同的考试试题的情况，该方法可以由考试方案的实现装置来执行，具体包括：
步骤110、确定待推送的当前试题，并向考生推送。
其中，如果当前试题是第一道试题，则所述确定待推送的当前试题可以是从试题库中随机抽取一道试题作为当前试题。或者根据所述考生的工作场景抽取一道特定场景下的试题作为当前试题，例如所述考生的工作场景为销售产品，这样一种工作场景可能涉及到的特定场景例如有：新产品推荐，则可以从试题库中抽取一道与新产品推荐相关联的试题作为所述当前试题，例如所述当前试题具体可以为：“百度新推出的一款用于企业用户和网站访客直接在线沟通的商务沟通工具是什么？”。当然还可以根据考生的个人信息例如：年龄、性别、职位或者从业时间等从题库中抽取一道相关联的试题作为当前试题；或者根据考试目的、考核目标有针对性地确定当前试题。如果是后续试题，则可以根据后续操作步骤不断更新当前试题。
具体的，所述向考生推送当前试题可以通过显示屏幕将所述当前试题进行显示，以供考生查看；或者通过语音播放的形式播放所述当前试题，以供考生听取；还可以是利用计算机和网络，向考生推送试题。
步骤120、获取考生针对所述当前试题的答题信息。
具体的，可以通过接收考生针对所述当前试题的文本形式的答案信息，视频形式或者语音形式的答案信息。答题信息通常包括答案内容，此外还可以包括考生进行答复过程中的其他信息，例如表情、姿势、或语速等。
步骤130、基于预设试题关系模型对所述答题信息进行测评，以确定下一道试题。
其中，所述预设试题关系模型中包括每道试题的标准答案，以及针对每道试题的测评规则；所述测评规则例如具体可以是：试题的综合得分＝考生针对该试题给出的答案得分+考生面对该试题时的情感状态得分；根据考生的答题信息的测评结果是否超过期望值，从预设的试题关系模型中确定对应的下一道试题。预设试题关系模型还可以包括对答题信息的非答案内容进行测评的内容，所述非答案内容例如可以是考生答题时的表情、姿势或语速等。
进一步地，所述考试方案的实现方法还包括：
获取多名考生的历史试题和答案，作为训练样本；
基于机器学习对所述训练样本进行统计分析，根据试题答案的优劣属性，确定试题间的关联性，以确定所述预设试题关系模型。
考生的历史试题和答案，可以是经过人工打分确认过的内容。在训练样本中可以包括考生在多道试题构成的试卷中，哪些试题的分数较高，哪些试题的分数较低等情况，据此，可以统计分析出某些考生会集中对某一类试题擅长作答，而对另一类试题不太擅长。说明这些试题考察的角度可能是不同的。这样可以对试题进行类别划分，确定同类试题之间的关联性，用于确定所述预设试题关系模型。
在上述方案的基础上，优选的是，基于预设试题关系模型对所述答题信息进行测评，以确定下一道试题包括：
基于预设试题关系模型对当前试题以及此前至少一道试题的答题信息进行测评，以确定下一道试题。
即，确定下一道试题，可以结合当前试题的答题信息，也可以结合当前试题和此前答复的至少一道试题的答题信息，同时进行测评来确定下一道试题。这样能够进一步通过多道历史试题确定该考生适合的后续试题，试题角度的趋势性更准确一些。各历史试题的测评权重可以相同也可以不同。
步骤140、将所述下一道试题更新作为当前试题，并返回执行推送操作，直至确定考试结果。
重复上述试题确定、推送、获取答案、测评、再确定下一道试题的操作，直至产生考试结果则结束。产生考试结果的确定方式有多种，例如，可以在达到设定考试时间就视为结束，或者在达到试题数量时就视为结束，也可以在基于试题答案能够确定一定分数的情况下视为结束。
具体的，所述考试方案的实现方法还包括：如果为所述考生确定的试题数量达到设定上限值，则确定产生考试结果；或如果答题信息达到设定考核目标的条件，则确定产生考试结果。
设定考核目标可以是分数值，也可以是基于所有试题答案和设定函数确定的考试分数已经收敛。
示例性地，确定产生考试结果的一种实现方式包括：
根据推送给所述考生的各试题，基于所述预设试题关系模型确定所对应的考核场景；
根据各试题的答题信息确定所述考生在所述考核场景中的考试结果。
本实施例提供的一种考试方案的实现方法，能够根据当前试题的答题信息，基于预设试题关系模型对所述答题信息进行测评，以确定下一道试题，从而能够针对不同考生的答题情况，自动地不断调整后续试题，实现了简化考试试题的确定方式，且确定的考试试题能够灵活适应不同考生的情况，挖掘考生的不同潜力方向。
下面通过一个具体例子介绍本发明实施例中所采用的预设试题关系模型。
示例性地，可以参见图2所示的一种试题关系树示意图，试题1-试题9具体为：
试题1：“对于新客户而言，常常不知道如何围绕自己的业务提词、该提哪些词、如何建立账户结构来把词分门别类等”；
试题2：“百度推出的一款用于企业用户和网站访客直接在线沟通的商务沟通工具是？”；
试题3：“百度商桥是一款网站商务沟通工具，提供网络营销“成单关键环节”所需的全部服务：对应搜索营销效果转化漏斗，百度商桥能有效提升，百度商桥还能带来什么价值”；
试题4：“账户结构由关键词和创意3个层次构成，仔细介绍这三个层次”；
试题5：“百度商桥把影响客户推广的各种因素”，把他们汇集在一起展现出来，对账户余额、预算、质量度、出价和排名、在线时间、关键词数量、关键词和创意状态进行分析，基于这些资料后期将有什么提升？”；
试题6：“iphone自带的浏览器叫做”；
试题7：“左侧推广位置的优势有”；
试题8：“在百度商桥中，用户如何定位潜在客户”；
试题9：“全称为“搜索营销效果转化漏斗”，漏斗的五层对应了企业搜索营销的各个环节，反映了从？直到生成订单过程中的客户数量及流失”。
图2中所示的匹配度表示考生的答题得分，预估权重表示试题的及格分，参见图2可知在“商桥推荐”方面表现优秀的考生针对试题1、试题2、试题3、试题8以及试题5作出的答案都及格了，在“商桥推荐”方面表现优良的考生针对试题1、试题2、试题3以及试题8作出的答案都及格了，但是针对试题5作出的答案没有及格；账户潜力良好的考生针对试题1作出的答案没有及格，但是针对试题7、试题4以及试题9作出的答案都及格了；及格的考生针对试题1以及试题7作出的答案不及格，但是针对试题6作出的答案及格了等，根据试题答案的优劣属性，确定了试题间的关联性，从而可以实现对不同能力考生的考核，简化了考试试题的确定方式，且确定的考试试题能够灵活适应不同考生的情况，同时还可以实现对考生素质的挖掘，例如，不擅长“商桥推荐”的考生可能账号潜力良好。
例如所述当前试题为上述试题1，基于图2所示的预设试题关系模型对考生针对试题1作出的答题信息进行测评，若测评结果即匹配度大于等于预估权重，则将试题2确定为下一道试题，若匹配度小于预估权重则将试题7确定为下一道试题。
实施例二
图3为本发明实施例二提供的一种考试方案的实现方法流程示意图，在上述实施例的基础上，本实施例进行了进一步优化，将所述答题信息优化为包括试题答案信息和/或考生状态信息，这样优化的好处是使得本发明实施例提供的考试方案的实现方法可以结合考生答题时的情感状态来对考生进行综合评分。具体参见图3所示，该方法包括：
步骤310、确定待推送的当前试题，并向考生推送。
步骤320a、接收所述考生针对所述当前试题反馈的试题答案语音或试题答案文本。
具体的，考生可以通过录入设备录入电子答案文本，或者通过语音输入设备进行语音答题，还可以通过手动在答题纸上笔写答案，此时可以通过图像拍摄设备对考生的纸质答案进行拍照。
步骤320b、接收所述考生针对所述当前试题作答过程中的图像。
具体可以通过图像采集设备获取所述考生针对所述当前试题作答过程中的图像，该图像尤其指考生的面部图像。
步骤330a、将所述试题答案语音或试题答案文本与标准答案进行匹配，以确定试题答案匹配度，作为试题答案信息。
其中，对于试题答案语音先进行语音识别，将语音信息转换为对应的文本信息，再将文本信息与标准答案进行匹配；具体的匹配过程可以是：例如试题1为“你几点吃的饭？”，标准答案为“我12点吃的饭”，考生反馈的答案文本信息为“我吃饭了”，首先将考生反馈的答案进行分词，并提取关键词，得到“我”、“吃”和“饭”；标准答案的关键词为“我”、“12点”、“吃”、“的”和“饭”，且关键词“我”、“吃”、“的”和“饭”所占权重均为0.1，关键词“12点”所占权重为0.6，经过匹配得出考生的得分为0.1+0.1+0.1＝0.3。
对于以图像的形式反馈的考生答案，则基于人工智能将答案图像与标准答案图像进行匹配。
步骤330b、对所述图像进行表情识别，根据识别到的表情确定所述考生的考生状态信息。
具体的，所述考生的考生状态信息可以包括积极和消极两种状态。
其中，对所述图像进行表情识别的过程可以为：对考生的面部图像进行特征提取，根据提取的特征进行表情分类；提取的特征部位主要集中在考生的眉、眼或嘴等部位，根据特征部位的像素点坐标值的变化识别考生的表情，最终根据识别到的表情确定考生当时的情感状态是积极的还是消极的。
步骤340、将所述答题信息中的试题答案信息和考生状态信息进行加权计算，确定权重评分。
每道试题有具体的评分规则，例如试题答案信息所占权重为0.6，考生状态信息所占权重为0.4，若考生的试题答案信息得分为80，考生状态信息得分为100(考生状态信息若为积极的则得100分，若为消息的则得-100分)，则确定的权重评分为80*0.6+100*0.4＝88分。每道试题的评分规则可以根据试题的考试内容进行设置或者基于机器学习根据样本数据进行学习得到，例如对于一道考核考生服务客户能力的试题来说，需要考生在回答这类试题时保持积极的情感状态，此时可以将考生状态信息所占的权重设置的高一些，例如为0.6，考生的答案信息所占权重为0.4。
步骤350、根据所述当前试题和所述权重评分在所述预设试题关系模型中选择下一道试题。
本实施例提供的考试方案的实现方法，既考虑了试题答案内容本身，也考虑了考生在答题过程中的状态，从而能够更准确的判断什么样的试题更适合该考生，从而推送后续试题。本实施例可以结合考生答题时的情感状态来对考生进行综合评分，实现了对考生素质的挖掘。
在上述实施例中，以语音识别方式确定试题答案的过程，以及以图像表情识别的方式确定考生状态的过程，可以同步进行或顺序进行，其时序不限。可以单独采用也可以结合采用。
下面通过一个具体例子介绍本发明实施例的实现流程。
示例性地，参见图4所示的一种考试方案的实现方法流程图，初始化特定场景下的预设试题关系模型，图4所示的是以新产品推荐场景为例。随机初始化一道与新产品推荐场景相关联的试题作为向考生推送的第一道试题，并通过语音播放所述试题，然后接收考生回答的语音信息，并将该语音信息传入语音识别系统进行识别，并将语音识别结果与标准答案进行匹配，得到考生的试题答案信息；在接收考生回答的语音信息的同时，采集考生的面部表情信息，并根据所述面部表情信息识别考生的情感状态，结合情感状态所占权重，得到考生的情绪得分即考生的状态信息，最终将考生的试题答案信息和考生的状态信息进行加权求和，完成第一道试题的考试，根据第一道试题的得分情况在预设试题关系模型中选择第二试题继续推送给考生，对考生进行考核，直到为所述考生确定的试题数量达到设定上限值，或如果答题信息达到设定考核目标的条件，则确定产生考试结果，考试结束。
实施例三
图5为本发明实施例三提供的一种考试方案的实现方法流程示意图，在上述实施例的基础上，本实施例对“基于预设试题关系模型对所述答题信息进行测评，以确定下一道试题”的操作进行了优化，优化的好处是考虑了多种因素确定下一道试题，简化了考试试题的确定方式，且确定的考试试题能够灵活适应不同考生的情况。具体参见图5所示，该方法包括：
步骤510、确定待推送的当前试题，并向考生推送。
步骤520、获取考生针对所述当前试题的答题信息。
步骤530、基于预设试题关系模型对所述答题信息进行测评，获取测评结果。
步骤540、根据所述测评结果和所述考生的属性信息在所述预设试题关系模型中确定下一道试题。
上述操作中，进一步结合了考生的属性信息来确定下一道试题。所述属性信息包括：考生性别、年龄、职位或者从业时间中的一项或多项。
对属性信息的结合，可以是在产生测评结果之后，确定下一道试题的过程中结合考虑属性信息。
此外，创建预设试题关系模型的过程可以包括：
基于机器学习对历史考生的考试试题以及答题情况进行统计分析，得到分析结果；
结合所述分析结果、所述历史考生的属性信息以及考试试题的类别信息创建试题关系模型以及每个关系分支对应的测评结果，作为所述预设试题关系模型；其中，所述考试试题的类别信息包括所述考试试题的适用场景和所述考试试题的考核目的信息。
具体的，可以将所述测评结果以及考生的属性信息与预设试题关系模型中的试题推送条件进行匹配，将匹配相似度达到设定阈值的试题确定为下一道试题。
具体的，例如从试题关系模型中得出从业时间在5年以上的女性职工在作答与客户维护相关联的试题时表现良好，但是作答与运维相关联的试题时表现较差，若当前考生为女性且从业时间在5年以上，则可以根据试题关系模型向当前考生推送与客户维护相关联的试题。
本实施例提供的一种考试方案的实现方法，在上述实施例的基础上，通过对“基于预设试题关系模型对所述答题信息进行测评，以确定下一道试题”的操作进行优化，优化为：基于预设试题关系模型对所述答题信息进行测评，获取测评结果；根据所述测评结果和所述考生的属性信息在所述预设试题关系模型中确定下一道试题，实现了结合多种因素确定下一道试题，能够更准确的确定后续试题，精准的对考生素质进行挖掘。
实施例四
图6为本发明实施例四提供的一种考试方案的实现装置的结构示意图，参见图6所示，所述装置包括：
试题推送模块610，答题信息获取模块620，试题确定模块630和试题更新模块640；
其中，试题推送模块610用于确定待推送的当前试题，并向考生推送答题；信息获取模块620用于获取考生针对所述当前试题的答题信息；试题确定模块630用于基于预设试题关系模型对所述答题信息进行测评，以确定下一道试题；试题更新模块640用于将所述下一道试题更新作为当前试题，并返回执行推送操作，直至确定考试结果。
进一步地，所述答题信息包括试题答案信息和/或考生状态信息；
对应的，答题信息获取模块620包括试题答案信息获取单元和/或考生状态信息获取单元。
进一步地，所述试题答案信息获取单元包括：
接收子单元，用于接收所述考生针对所述当前试题反馈的试题答案语音或试题答案文本；
匹配子单元，用于将所述试题答案语音或试题答案文本与标准答案进行匹配，以确定试题答案匹配度，作为试题答案信息。
进一步地，所述考生状态信息获取单元包括：
图像接收子单元，用于接收所述考生针对所述当前试题作答过程中的图像；
表情识别子单元，用于对所述图像进行表情识别，根据识别到的表情确定所述考生的考生状态信息。
进一步地，试题确定模块630包括：
评分单元，用于将所述答题信息中的试题答案信息和考生状态信息进行加权计算，确定权重评分；
试题选择单元，用于根据所述当前试题和所述权重评分在所述预设试题关系模型中选择下一道试题。
进一步地，试题确定模块630包括：
测评单元，用于基于预设试题关系模型对所述答题信息进行测评，获取测评结果；
第一试题确定单元，用于根据所述测评结果和所述考生的属性信息在所述预设试题关系模型中确定下一道试题。
进一步地，试题确定模块630包括：
第二试题确定单元，用于基于预设试题关系模型对当前试题以及此前至少一道试题的答题信息进行测评，以确定下一道试题。
进一步地，所述装置还可以包括：
样本获取模块，用于获取多名考生的历史试题和答案，作为训练样本；
统计分析模块，用于基于机器学习对所述训练样本进行统计分析，根据试题的答案的优劣属性，确定试题间关联性，以确定所述预设试题关系模型。
进一步地，所述装置还可以包括：
考试结果确定模块，用于如果为所述考生确定的试题数量达到设定上限值，则确定产生考试结果；或
用于如果答题信息达到设定考核目标的条件，则确定产生考试结果。
进一步地，所述考试结果确定模块包括：
考核场景确定单元，用于根据推送给所述考生的各试题，基于所述预设试题关系模型确定所对应的考核场景；
考试结果确定单元，用于根据各试题的答题信息确定所述考生在所述考核场景中的考试结果。
本实施例提供的一种考试方案的实现装置，通过确定待推送的当前试题，并向考生推送，然后获取考生针对所述当前试题的答题信息，并基于预设试题关系模型对所述答题信息进行测评，以确定下一道试题，将所述下一道试题更新作为当前试题，并返回执行推送操作，直至确定考试结果的技术手段，实现了简化考试试题的确定方式，且确定的考试试题能够灵活适应不同考生的情况，同时还实现了对考生素质的挖掘。
本发明实施例所提供的考试方案的实现装置可执行本发明任意实施例所提供的考试方案的实现方法，具备执行方法相应的功能模块和有益效果。
实施例五
图7为本发明实施例五提供的一种电子设备的结构示意图。图7示出了适于用来实现本发明实施方式的示例性设备12的框图。图7显示的设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，设备12以通用计算设备的形式表现。设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该设备12交互的设备通信，和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与设备12的其它模块通信。应当明白，尽管图中未示出，可以结合设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的考试方案的实现方法。
实施例六
本发明实施例六还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现本发明任意实施例所提供的考试方案的实现方法。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (11)
1.一种考试方案的实现方法，其特征在于，包括：
确定待推送的当前试题，并向考生推送；
获取考生针对所述当前试题的答题信息，其中，所述答题信息包括试题答案信息和考生状态信息；
基于预设试题关系模型对所述答题信息进行测评，以确定下一道试题，具体包括：基于预设试题关系模型对所述答题信息进行测评，获取测评结果；根据所述测评结果和所述考生的属性信息在所述预设试题关系模型中确定下一道试题；
将所述下一道试题更新作为当前试题，并返回执行推送操作，直至确定考试结果。
2.根据权利要求1所述的方法，其特征在于，获取考生针对所述当前试题的答题信息中的试题答案信息包括：
接收所述考生针对所述当前试题反馈的试题答案语音或试题答案文本；
将所述试题答案语音或试题答案文本与标准答案进行匹配，以确定试题答案匹配度，作为试题答案信息。
3.根据权利要求1所述的方法，其特征在于，获取考生针对所述当前试题的答题信息中的考生状态信息包括：
接收所述考生针对所述当前试题作答过程中的图像；
对所述图像进行表情识别，根据识别到的表情确定所述考生的考生状态信息。
4.根据权利要求1-3任一所述的方法，其特征在于，基于预设试题关系模型对所述答题信息进行测评，以确定下一道试题包括：
将所述答题信息中的试题答案信息和考生状态信息进行加权计算，确定权重评分；
根据所述当前试题和所述权重评分在所述预设试题关系模型中选择下一道试题。
5.根据权利要求1所述的方法，其特征在于，基于预设试题关系模型对所述答题信息进行测评，以确定下一道试题包括：
基于预设试题关系模型对当前试题以及此前至少一道试题的答题信息进行测评，以确定下一道试题。
6.根据权利要求1所述的方法，其特征在于，还包括：
获取多名考生的历史试题和答案，作为训练样本；
基于机器学习对所述训练样本进行统计分析，根据试题答案的优劣属性，确定试题间的关联性，以确定所述预设试题关系模型。
7.根据权利要求1所述的方法，其特征在于，还包括：
如果为所述考生确定的试题数量达到设定上限值，则确定产生考试结果；或
如果答题信息达到设定考核目标的条件，则确定产生考试结果。
8.根据权利要求7所述的方法，其特征在于，确定产生考试结果包括：
根据推送给所述考生的各试题，基于所述预设试题关系模型确定所对应的考核场景；
根据各试题的答题信息确定所述考生在所述考核场景中的考试结果。
9.一种考试方案的实现装置，其特征在于，包括：
试题推送模块，用于确定待推送的当前试题，并向考生推送；
答题信息获取模块，用于获取考生针对所述当前试题的答题信息，其中，所述答题信息包括试题答案信息和考生状态信息；
试题确定模块，用于基于预设试题关系模型对所述答题信息进行测评，以确定下一道试题，具体包括：基于预设试题关系模型对所述答题信息进行测评，获取测评结果；根据所述测评结果和所述考生的属性信息在所述预设试题关系模型中确定下一道试题；
试题更新模块，用于将所述下一道试题更新作为当前试题，并返回执行推送操作，直至确定考试结果。
10.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的考试方案的实现方法。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的考试方案的实现方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710919006.2A CN107680019B (zh) | 2017-09-30 | 2017-09-30 | 一种考试方案的实现方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710919006.2A CN107680019B (zh) | 2017-09-30 | 2017-09-30 | 一种考试方案的实现方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107680019A CN107680019A (zh) | 2018-02-09 |
| CN107680019B true CN107680019B (zh) | 2021-09-24 |
Family
ID=61138895
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710919006.2A Active CN107680019B (zh) | 2017-09-30 | 2017-09-30 | 一种考试方案的实现方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107680019B (zh) |
Families Citing this family (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201803270D0 (en) | 2018-02-28 | 2018-04-11 | Cambioscience Ltd | Machine learning systems and methods of operating machine learning systems |
| CN108429932A (zh) * | 2018-04-25 | 2018-08-21 | 北京比特智学科技有限公司 | 视频处理方法和装置 |
| CN108521589A (zh) * | 2018-04-25 | 2018-09-11 | 北京比特智学科技有限公司 | 视频处理方法和装置 |
| CN109670013A (zh) * | 2018-07-27 | 2019-04-23 | 深圳微盐传媒科技有限公司 | 互动问答控制方法及装置 |
| CN109118070A (zh) * | 2018-07-28 | 2019-01-01 | 深圳微盐传媒科技有限公司 | 测试方法及装置 |
| CN109345417B (zh) * | 2018-08-14 | 2023-12-29 | 广东智通人才连锁股份有限公司 | 基于身份认证的业务人员的在线考核方法及终端设备 |
| CN109241864A (zh) * | 2018-08-14 | 2019-01-18 | 中国平安人寿保险股份有限公司 | 情感预测方法、装置、计算机设备和存储介质 |
| CN109543007A (zh) * | 2018-10-16 | 2019-03-29 | 深圳壹账通智能科技有限公司 | 提问数据生成方法、装置、计算机设备和存储介质 |
| CN109543011A (zh) * | 2018-10-16 | 2019-03-29 | 深圳壹账通智能科技有限公司 | 问答数据处理方法、装置、计算机设备和存储介质 |
| CN109118862A (zh) * | 2018-10-31 | 2019-01-01 | 深圳市童心教育科技有限公司 | 一种点读验证装置以及点读答题验证评分方法 |
| CN109816567A (zh) * | 2018-11-08 | 2019-05-28 | 深圳壹账通智能科技有限公司 | 一种在线考试方法、装置、设备及存储介质 |
| CN109493665A (zh) * | 2018-12-28 | 2019-03-19 | 南京红松信息技术有限公司 | 基于语音识别的快速答题方法及其系统 |
| CN111507084B (zh) * | 2019-01-30 | 2024-08-09 | 沪江教育科技（上海）股份有限公司 | 一种语句难度确定方法及系统 |
| CN111046220B (zh) * | 2019-04-29 | 2024-06-21 | 广东小天才科技有限公司 | 一种听写过程中的报读语音的重播方法及电子设备 |
| CN112084320B (zh) * | 2019-06-14 | 2023-09-15 | 百度在线网络技术（北京）有限公司 | 一种试题推荐方法、装置和智能设备 |
| CN110473126A (zh) * | 2019-08-14 | 2019-11-19 | 河南礼乐国际教育科技有限公司 | 一种兴趣分析测评方法和系统 |
| CN110764662B (zh) * | 2019-08-30 | 2021-07-20 | 北京字节跳动网络技术有限公司 | 信息处理方法、装置、电子设备及存储介质 |
| CN113870635A (zh) * | 2019-10-25 | 2021-12-31 | 北京猿力教育科技有限公司 | 一种语音答题方法及装置 |
| CN111081106A (zh) * | 2019-12-13 | 2020-04-28 | 北京爱论答科技有限公司 | 一种作业推送的方法、系统、设备和存储介质 |
| CN111210685A (zh) * | 2020-01-08 | 2020-05-29 | 郑州市金水区大山培训学校有限公司 | 知识掌握情况的测试方法、装置和设备 |
| CN112883284B (zh) * | 2021-04-14 | 2023-04-07 | 首都师范大学 | 一种基于网络和数据分析的在线学习系统及测试题推荐方法 |
| CN113450611A (zh) * | 2021-06-25 | 2021-09-28 | 平安科技（深圳）有限公司 | 一种基于答题形式的测试方法、装置、介质及电子设备 |
| CN113806516B (zh) * | 2021-09-22 | 2024-06-14 | 湖北天天数链技术有限公司 | 匹配度确定方法、装置、电子设备及计算机可读存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1482537A (zh) * | 2002-09-10 | 2004-03-17 | 明日工作室股份有限公司 | 具有试题难度变换功能的测验系统与方法 |
| CN101097575A (zh) * | 2006-06-28 | 2008-01-02 | 英业达股份有限公司 | 试题生成系统以及方法 |
| CN102201177A (zh) * | 2011-06-23 | 2011-09-28 | 北京新东方教育科技（集团）有限公司 | 自适应测评方法和系统 |
| CN105262884A (zh) * | 2015-08-31 | 2016-01-20 | 广东欧珀移动通信有限公司 | 一种闹铃的控制方法及用户终端 |
| CN106875769A (zh) * | 2017-03-10 | 2017-06-20 | 杭州博世数据网络有限公司 | 一种数学练习用出题系统 |
| CN106919922A (zh) * | 2017-03-07 | 2017-07-04 | 佛山市金蓝领教育科技有限公司 | 一种防作弊远程考试系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101401722B1 (ko) * | 2013-12-24 | 2014-05-30 | 박형용 | 개인 맞춤형 온라인 학습 시스템 |
-
2017
- 2017-09-30 CN CN201710919006.2A patent/CN107680019B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1482537A (zh) * | 2002-09-10 | 2004-03-17 | 明日工作室股份有限公司 | 具有试题难度变换功能的测验系统与方法 |
| CN101097575A (zh) * | 2006-06-28 | 2008-01-02 | 英业达股份有限公司 | 试题生成系统以及方法 |
| CN102201177A (zh) * | 2011-06-23 | 2011-09-28 | 北京新东方教育科技（集团）有限公司 | 自适应测评方法和系统 |
| CN105262884A (zh) * | 2015-08-31 | 2016-01-20 | 广东欧珀移动通信有限公司 | 一种闹铃的控制方法及用户终端 |
| CN106919922A (zh) * | 2017-03-07 | 2017-07-04 | 佛山市金蓝领教育科技有限公司 | 一种防作弊远程考试系统 |
| CN106875769A (zh) * | 2017-03-10 | 2017-06-20 | 杭州博世数据网络有限公司 | 一种数学练习用出题系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107680019A (zh) | 2018-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107680019B (zh) | 一种考试方案的实现方法、装置、设备及存储介质 | |
| JP7464098B2 (ja) | 電子会議システム | |
| CN106685916B (zh) | 电子会议智能装置及方法 | |
| CN110070391B (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
| US11380213B2 (en) | Customer care training with situational feedback generation | |
| US11429405B2 (en) | Method and apparatus for providing personalized self-help experience | |
| US20150172294A1 (en) | Managing user access to query results | |
| WO2021218028A1 (zh) | 基于人工智能的面试内容精炼方法、装置、设备及介质 | |
| CN110321409B (zh) | 基于人工智能的辅助面试方法、装置、设备及存储介质 | |
| CN112509690A (zh) | 用于控制质量的方法、装置、设备和存储介质 | |
| CN112733042A (zh) | 推荐信息的生成方法、相关装置及计算机程序产品 | |
| KR102100214B1 (ko) | 음성 인식 기반의 세일즈 대화 분석 방법 및 장치 | |
| CN112507090B (zh) | 用于输出信息的方法、装置、设备和存储介质 | |
| WO2021139316A1 (zh) | 建立表情识别模型方法、装置、计算机设备及存储介质 | |
| CN112699645B (zh) | 语料标注方法、装置及设备 | |
| JP7280705B2 (ja) | 機械学習装置、プログラム及び機械学習方法 | |
| CN112417158A (zh) | 文本数据分类模型的训练方法、分类方法、装置和设备 | |
| CN111723180A (zh) | 一种面试方法和装置 | |
| CN112183417A (zh) | 一种置业顾问服务能力评价系统及方法 | |
| CN116303951A (zh) | 对话处理方法、装置、电子设备和存储介质 | |
| US20220208017A1 (en) | User research cognitive assistant for matching personas and providing experience insights | |
| CN114581124A (zh) | 基于自然语言处理的宣传页面生成方法及相关装置 | |
| Ghadekar et al. | A Semantic Approach for Automated Hiring using Artificial Intelligence & Computer Vision | |
| CN114240250A (zh) | 一种职业评测的智能管理方法及系统 | |
| US20170161832A1 (en) | System and method for tracking stock fluctuations |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |