CN110750620A - 一种群体决策能力评估方法及装置 - Google Patents
一种群体决策能力评估方法及装置 Download PDFInfo
- Publication number
- CN110750620A CN110750620A CN201910823344.5A CN201910823344A CN110750620A CN 110750620 A CN110750620 A CN 110750620A CN 201910823344 A CN201910823344 A CN 201910823344A CN 110750620 A CN110750620 A CN 110750620A
- Authority
- CN
- China
- Prior art keywords
- speaking
- role
- index parameter
- topic
- group decision
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/101—Collaborative creation, e.g. joint development of products or services
Abstract
本发明实施例提供一种群体决策能力评估方法及装置,所述方法包括:确定每个发言角色的每次发言内容的主题和关联度向量;所述关联度向量是反映所述发言内容与所有发言角色的所有主题关联程度的向量;根据每个发言角色的所有发言内容对应的所有关联度向量、及每个发言角色对应的可量化的群体决策结果,确定每个主题影响群体决策结果的重要程度;根据所有重要程度和关联度向量,计算每个发言角色对应的衡量个体抓取主题能力的第一指标参数,并根据所述第一指标参数对每个发言角色的个体抓取主题能力进行评估。所述装置执行上述方法。本发明实施例提供的群体决策能力评估方法及装置,降低评估成本、提高评估效率。
Description
技术领域
本发明涉及计算机数据处理技术领域,尤其涉及一种群体决策能力评估方法及装置。
背景技术
群体决策是一个多决策者参与的协同决策过程,群体决策可以从每个具有领域知识和分析技能的个体那里收集更广泛的信息,帮助群体增加对完整情况的理解,并识别出更完整而强大的解决方案,成为管理科学和决策科学的重要研究领域,并在日常生活中得到了重要的应用。在群体决策过程中,有许多因素会影响群体决策结果,确定、理解并量化这些因素对群体决策结果的影响在现实的场景中是非常重要的。同时,通过一个群体决策过程了解群体或单个个体的能力是有显著意义的,因为,一个群体决策过程中可以充分展现一个人的思考能力、资源获取能力、表达能力和参与度等多个方面。
目前,该领域的研究主要集中在通过人工分析的方式建立各决策者的能力评估体系,该过程必须由专家参与,成本较高,且存在因主观偏差导致的误差;并且,分析过程效率较低,因此,总体分析的文本量小,难以做到从大量相同条件的群体决策过程中挖掘规律,建立统一标准的评价体系库。
发明内容
针对现有技术存在的问题,本发明实施例提供一种群体决策能力评估方法及装置。
本发明实施例提供一种群体决策能力评估方法,包括:
确定每个发言角色的每次发言内容的主题和关联度向量;所述关联度向量是反映每个发言角色的所有发言内容与所有发言角色的所有主题中的每个主题的关联程度的向量;
根据每个发言角色的所有发言内容对应的所有关联度向量、及每个发言角色对应的可量化的群体决策结果,确定每个主题影响群体决策结果的重要程度;
根据所有重要程度和关联度向量,计算每个发言角色对应的衡量个体抓取主题能力的第一指标参数,并根据所述第一指标参数对每个发言角色的个体抓取主题能力进行评估。
其中,所述根据所有重要程度和关联度向量,计算每个发言角色对应的衡量个体抓取主题能力的第一指标参数,包括:
根据与每个重要程度对应的权重和每个关联度向量,计算每个关联度向量的加权平均值,并将每个发言角色对应的加权平均值作为第一指标参数。
其中,所述根据每个发言角色的所有发言内容对应的所有关联度向量、及每个发言角色对应的可量化的群体决策结果,确定每个主题影响群体决策结果的重要程度,包括:
将所有关联度向量作为预先建立的多重线性回归模型的自变量计算结果;将所述群体决策结果作为所述多重线性回归模型的因变量计算结果;
根据所述自变量计算结果和所述因变量计算结果拟合所述多重线性回归模型的模型系数,并根据所述模型系数的数值大小确定所述重要程度。
其中,所述方法还包括:
获取所有发言角色的所有角色发言内容,并将所有角色发言内容与所有主题中的每个主题之间的关联度的标准差作为衡量群体讨论主题集中度的第二指标参数,并根据所述第二指标参数对所有发言角色的群体讨论主题集中度进行评估。
其中,所述方法还包括:
获取每个发言角色的所有发言内容,并将所有发言内容与所有主题中的每个主题之间的关联度作为衡量个体在不同主题的努力程度的第三指标参数,并根据所述第三指标参数对个体在不同主题的努力程度进行评估;
和/或,将所有发言内容与所有主题中的每个主题之间的关联度的标准差作为衡量个体思维发散度的第四指标参数,并根据所述第四指标参数对个体思维发散度进行评估。
其中,所述方法还包括:
根据所述群体决策结果和群体总决策,确定目标实现程度;所述目标实现程度是所述群体决策结果与预设群体决策阈值的比值、且所述比值携带有根据所述群体总决策确定的正相关或负相关的运算因子;所述群体总决策是根据所有角色发言内容确定的可反映群体决策结果总体趋势的决策内容;
根据如下公式计算衡量个体目标实现能力的第五指标参数:
第五指标参数=(每个发言角色的目标实现程度-每个发言角色的过往目标实现程度的平均值)/每个发言角色的过往目标实现程度的平均值。
其中,所述方法还包括:
获取每个发言角色的所有发言内容的发言累积时长,并将所述第五指标参数与所述发言累积时长的比值作为衡量个体目标实现效率的第六指标参数。
本发明实施例提供一种群体决策能力评估装置,包括:
第一确定单元,用于确定每个发言角色的每次发言内容的主题和关联度向量;所述关联度向量是反映每个发言角色的所有发言内容与所有发言角色的所有主题中的每个主题的关联程度的向量;
第二确定单元,用于根据每个发言角色的所有发言内容对应的所有关联度向量、及每个发言角色对应的可量化的群体决策结果,确定每个主题影响群体决策结果的重要程度;
评估单元,用于根据所有重要程度和关联度向量,计算每个发言角色对应的衡量个体抓取主题能力的第一指标参数,并根据所述第一指标参数对每个发言角色的个体抓取主题能力进行评估。
本发明实施例提供一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,
所述处理器执行所述计算机程序时实现如下方法步骤:
确定每个发言角色的每次发言内容的主题和关联度向量;所述关联度向量是反映每个发言角色的所有发言内容与所有发言角色的所有主题中的每个主题的关联程度的向量;
根据每个发言角色的所有发言内容对应的所有关联度向量、及每个发言角色对应的可量化的群体决策结果,确定每个主题影响群体决策结果的重要程度;
根据所有重要程度和关联度向量,计算每个发言角色对应的衡量个体抓取主题能力的第一指标参数,并根据所述第一指标参数对每个发言角色的个体抓取主题能力进行评估。
本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如下方法步骤:
确定每个发言角色的每次发言内容的主题和关联度向量;所述关联度向量是反映每个发言角色的所有发言内容与所有发言角色的所有主题中的每个主题的关联程度的向量;
根据每个发言角色的所有发言内容对应的所有关联度向量、及每个发言角色对应的可量化的群体决策结果,确定每个主题影响群体决策结果的重要程度;
根据所有重要程度和关联度向量,计算每个发言角色对应的衡量个体抓取主题能力的第一指标参数,并根据所述第一指标参数对每个发言角色的个体抓取主题能力进行评估。
本发明实施例提供的群体决策能力评估方法及装置,通过确定每个主题影响群体决策结果的重要程度,并根据重要程度和关联度向量计算第一指标参数,能够有效评估每个发言角色的个体抓取主题能力,降低评估成本、提高评估效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明群体决策能力评估方法实施例流程图;
图2为本发明群体决策能力评估装置实施例结构示意图;
图3为本发明实施例提供的电子设备实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明群体决策能力评估方法实施例流程图,如图1所示,本发明实施例提供的一种群体决策能力评估方法,包括以下步骤:
S101:确定每个发言角色的每次发言内容的主题和关联度向量;所述关联度向量是反映每个发言角色的所有发言内容与所有发言角色的所有主题中的每个主题的关联程度的向量。
具体的,确定每个发言角色的每次发言内容的主题和关联度向量;所述关联度向量是反映每个发言角色的所有发言内容与所有发言角色的所有主题中的每个主题的关联程度的向量。执行该方法步骤的可以是计算机设备等,不作具体限定。需要说明的是:主题并不是预先设定的,而是可以通过机器学习的方法提取出来的,可以在该步骤之前,通过机器学习方法对提取的主题进行筛选,筛选出目标主题,并将该目标主题确定作为“确定每个发言角色的每次发言内容的主题和关联度向量”中的“主题”,该目标主题可以通过识别具体的关键词来确定,即如果包含这一个或几个关键词,即可确定该主题是目标主题,目标主题可以理解为优质主题。本发明实施例的应用场景可以是会议场景,不作具体限定。
确定每个发言角色的每次发言内容的主题可以采用如下方式:
数据采集:将多个麦克风置于不同发言者附近以录制音频、并对齐音频和标记发言者,利用外部API转换成文字,形成一定格式的待处理文本列表,其中,所述格式可以为“第几段_发言起始时间_发言终止时间_发言持续时间_发言平均响度_发言者编号”。
词袋建立:根据词典对待处理文本列表中的内容进行中文分词、删除重复词与不必要的词、词类合并、删除包含词语个数少于阈值的关键词列表,最终输出包含词语个数多于阈值的关键词,并组合,从而建立词袋。
语义分析:本发明实施例以主题为基本单位进行分析,所谓主题(或话题)是一系列语义相关的词语集合,是对一个概念或一个方面的描述,从数学上讲,以在主题分析领域常用的LDA为例,即(Latent Dirichlet Allocation)是一种文档主题生成模型,也称为一个三层贝叶斯概率模型方法,主题则进一步定义为词汇表上词语及其条件概率分布,表现为在这个主题出现的情况下某个词语出现的概率,与主题关系越密切的词语,条件概率越大。
以主题为单元的分析模型与方法有许多种,诸如Biterm主题模型,Multi-Grain主题模型,Probabilistic Latent Semantic Analysis(PLSA)主题模型,LDA主题模型和Hierarchical Latent Dirichlet Allocation(HLDA)主题模型等等。可根据文本特点和研究目的选择合适的机器学习方法,例如Biterm主题模型是短文本主题建模的利器,Multi-Grain主题模型可基于全局和局部信息,可同时返回宏观和微观上的主题。以最常用的LDA模型为例,在本发明实施例涉及的群决策过程记录文本,提取主题的步骤为:
(1)以一次完整的发言作为一个文档,利用该文档预处理结束后的词袋训练主题模型,训练过程以困惑度作为模型评价指标选取超参数;其中,超参数可以包括主题数、迭代次数、文档-主题密度和文档中最小字数,输出该会议文件的主题。
(2)去除低质量的主题,可通过连贯性(一个主题中的几个词汇是否倾向于同时出现),专有性(某个主题排名靠前的词汇在其他主题中出现的频率)和特殊性(给定主题是否为所给文档中最高主题的概率)三项指标的综合进行排序;也可招募志愿者给主题进行打分。同时,也可通过多元回归或机器学习模型建立人工判断标准和上述指标得分的关系,利用综合人工评价标准的新模型对主题进行评分,在打分排序后,最终留下高质量的主题,再根据包含高质量的主题的模型识别每个发言角色的每次发言内容,从而确定每个发言角色的每次发言内容的主题。
采用其他的主题模型提取步骤以及选择的参数虽有不同,但最终目的均为提取可供分析的高质量主题以及发言角色的发言内容与高质量主题的关联度向量。
确定关联度向量的方法为本领域成熟技术,不再赘述。
S102:根据每个发言角色的所有发言内容对应的所有关联度向量、及每个发言角色对应的可量化的群体决策结果,确定每个主题影响群体决策结果的重要程度。
具体的,根据每个发言角色的所有发言内容对应的所有关联度向量、及每个发言角色对应的可量化的群体决策结果,确定每个主题影响群体决策结果的重要程度。确定每个主题影响群体决策结果的重要程度,可以理解为:不同发言角色和主题之间关系影响群体决策结果的重要程度。可量化的群体决策结果可以理解为群体决策结果为包含具体数值的群体决策结果,例如商讨投资的会议中发言角色A的群体决策结果为投资10万元、发言角色B的群体决策结果为投资20万元。每个主题影响群体决策结果的重要程度可以分为很重要、一般重要和不重要等。
可以通过如下方式确定每个主题影响群体决策结果的重要程度:
将所有关联度向量作为预先建立的多重线性回归模型的自变量计算结果;将所述群体决策结果作为所述多重线性回归模型的因变量计算结果;自变量可以理解为解释变量,即一个发言角色的发言内容(参加同一次会议的)与所有主题(所有会议所有发言角色的、所有发言内容训练的主题)的关联度所组成的向量;因变量可以理解为响应变量,即一个发言角色所对应的可量化的群体决策结果。所有的解释变量与响应变量组成系统模型,即多重线性回归模型,当解释变量对应的发言角色与响应变量对应的发言角色相同时,系统模型可解释一个发言角色所谈论的不同话题对于该发言角色对应的群体决策结果的影响;当解释变量对应的发言角色与响应变量对应的发言角色不同时,系统模型可解释一个发言角色所谈论的不同话题对于其他发言角色对应的决策结果的影响。
根据所述自变量计算结果和所述因变量计算结果拟合所述多重线性回归模型的模型系数,并根据所述模型系数的数值大小确定所述重要程度。参照上述对重要程度的举例,如果该模型系数的数值大小都大于第一阈值,则重要程度为很重要;如果该模型系数的数值大小都小于第一阈值,但大于第二阈值,则重要程度为一般重要;如果该模型系数的数值大小都小于第二阈值,则重要程度为不重要。拟合所述多重线性回归模型的模型系数的方法为本领域成熟技术,不再赘述。
S103:根据所有重要程度和关联度向量,计算每个发言角色对应的衡量个体抓取主题能力的第一指标参数,并根据所述第一指标参数对每个发言角色的个体抓取主题能力进行评估。
具体的,根据所有重要程度和关联度向量,计算每个发言角色对应的衡量个体抓取主题能力的第一指标参数,并根据所述第一指标参数对每个发言角色的个体抓取主题能力进行评估。第一指标参数越大,意味着个体抓取重要主题的能力越强。该步骤可以具体包括:
根据与每个重要程度对应的权重和每个关联度向量,计算每个关联度向量的加权平均值,并将每个发言角色对应的加权平均值作为第一指标参数。举例说明如下:所有发言角色的所有主题为三个,分别为主题1~主题3,发言角色A的所有发言内容对应的关联度向量分别为A1X~A3X,主题1~主题3影响群体决策结果a的重要程度分别为A1L~A3L。如果A1L~A3L分别为很重要、一般重要和不重要,则A1L~A3L分别对应的权重W1L~W3L的数值可以分别为0.7、0.5和0.2,
对于发言角色A的加权平均值=(0.7×A1X+0.5×A2X+0.2×A3X)/3。
本发明实施例提供的群体决策能力评估方法,通过确定每个主题影响群体决策结果的重要程度,并根据重要程度和关联度向量计算第一指标参数,能够有效评估每个发言角色的个体抓取主题能力,降低评估成本、提高评估效率。
在上述实施例的基础上,所述根据所有重要程度和关联度向量,计算每个发言角色对应的衡量个体抓取主题能力的第一指标参数,包括:
具体的,根据与每个重要程度对应的权重和每个关联度向量,计算每个关联度向量的加权平均值,并将每个发言角色对应的加权平均值作为第一指标参数。可参照上述说明,不再赘述。
本发明实施例提供的群体决策能力评估方法,通过将加权平均值作为第一指标参数,进一步能够有效评估每个发言角色的个体抓取主题能力。
在上述实施例的基础上,所述根据每个发言角色的所有发言内容对应的所有关联度向量、及每个发言角色对应的可量化的群体决策结果,确定每个主题影响群体决策结果的重要程度,包括:
具体的,将所有关联度向量作为预先建立的多重线性回归模型的自变量计算结果;将所述群体决策结果作为所述多重线性回归模型的因变量计算结果。可参照上述说明,不再赘述。
具体的,根据所述自变量计算结果和所述因变量计算结果拟合所述多重线性回归模型的模型系数,并根据所述模型系数的数值大小确定所述重要程度。可参照上述说明,不再赘述。
本发明实施例提供的群体决策能力评估方法,通过多重线性回归模型的模型系数确定每个主题影响群体决策结果的重要程度,进一步能够有效评估每个发言角色的个体抓取主题能力。
在上述实施例的基础上,所述方法还包括:
获取所有发言角色的所有角色发言内容,并将所有角色发言内容与所有主题中的每个主题之间的关联度的标准差作为衡量群体讨论主题集中度的第二指标参数,并根据所述第二指标参数对所有发言角色的群体讨论主题集中度进行评估。
具体的,获取所有发言角色的所有角色发言内容,并将所有角色发言内容与所有主题中的每个主题之间的关联度的标准差作为衡量群体讨论主题集中度的第二指标参数,并根据所述第二指标参数对所有发言角色的群体讨论主题集中度进行评估。举例说明如下:假设会议的发言角色为发言角色A和发言角色B,对于发言角色A的所有发言内容记为AC,即AC为汇总A的每次发言内容得到的集合;对于发言角色B的所有发言内容记为BC,即BC为汇总B的每次发言内容得到的集合,假如所有发言角色为发言角色A和发言角色B,则所有发言角色的所有角色发言内容为AC和BC,合计为ALL。这里发言角色A和发言角色B的所有主题记为{D1~D6},ALL与D1~D6之间的关联度分别记为D1X~D6X,计算D1X~D6X的标准差,标准差的计算为本领域常规技术,不再赘述,将计算出的D1X~D6X的标准差作为衡量群体讨论主题集中度的第二指标参数。该标准差越小,意味着主题集中度越高,个体发言讨论的内容较为集中,更容易就某一些主题进行深入讨论、并达成一致意见。
本发明实施例提供的群体决策能力评估方法,能够有效评估所有发言角色的群体讨论主题集中度,降低评估成本、提高评估效率。
在上述实施例的基础上,所述方法还包括:
获取每个发言角色的所有发言内容,并将所有发言内容与所有主题中的每个主题之间的关联度作为衡量个体在不同主题的努力程度的第三指标参数,并根据所述第三指标参数对个体在不同主题的努力程度进行评估。
具体的,获取每个发言角色的所有发言内容,并将所有发言内容与所有主题中的每个主题之间的关联度作为衡量个体在不同主题的努力程度的第三指标参数,并根据所述第三指标参数对个体在不同主题的努力程度进行评估。需要说明的是:这里的每个主题是指所有发言角色的发言内容对应的每个主题,参照上述举例,A发言角色的所有发言内容与每个主题(分别记为D1~D6)之间的关联度分别记为AD1X~AD6X,并将AD1X~AD6X作为衡量个体在不同主题的努力程度的第三指标参数。该关联度越大,意味着在该主题下个体努力程度越大,具有相同背景信息和相同目标的不同个体在不同主题上付出的努力不同,体现了不同个体在性格、策略和能力上的差异。
和/或,将所有发言内容与所有主题中的每个主题之间的关联度的标准差作为衡量个体思维发散度的第四指标参数,并根据所述第四指标参数对个体思维发散度进行评估。
具体的,将所有发言内容与所有主题中的每个主题之间的关联度的标准差作为衡量个体思维发散度的第四指标参数,并根据所述第四指标参数对个体思维发散度进行评估。参照上述举例,计算AD1X~AD6X的标准差,标准差的计算为本领域常规技术,不再赘述。该标准差越大,意味着个体思维越发散,发言涉及的主题较多。
本发明实施例提供的群体决策能力评估方法,能够有效评估个体在不同主题的努力程度和/或个体思维发散度,降低评估成本、提高评估效率。
在上述实施例的基础上,所述方法还包括:
根据所述群体决策结果和群体总决策,确定目标实现程度;所述目标实现程度是所述群体决策结果与预设群体决策阈值的比值、且所述比值携带有根据所述群体总决策确定的正相关或负相关的运算因子;所述群体总决策是根据所有角色发言内容确定的可反映群体决策结果总体趋势的决策内容。
具体的,根据所述群体决策结果和群体总决策,确定目标实现程度;所述目标实现程度是所述群体决策结果与预设群体决策阈值的比值、且所述比值携带有根据所述群体总决策确定的正相关或负相关的运算因子;所述群体总决策是根据所有角色发言内容确定的可反映群体决策结果总体趋势的决策内容。以上述商讨投资的会议为例,通过所有角色发言内容可以确定反映群体决策结果总体趋势的决策内容可以是投资偏好是多投资,还是少投资,对于多投资,正相关的运算因子可以为正数的比例系数,可选为+1;对于少投资,负相关的运算因子可以为负数的比例系数,可选为-1,即通过正相关或负相关的运算因子可以定性地确定目标实现程度,预设群体决策阈值可以根据实际情况自主设置,即通过群体决策结果与预设群体决策阈值的比值可以定量地确定目标实现程度。
根据如下公式计算衡量个体目标实现能力的第五指标参数:
第五指标参数=(每个发言角色的目标实现程度-每个发言角色的过往目标实现程度的平均值)/每个发言角色的过往目标实现程度的平均值。
具体的,根据如下公式计算衡量个体目标实现能力的第五指标参数:
第五指标参数=(每个发言角色的目标实现程度-每个发言角色的过往目标实现程度的平均值)/每个发言角色的过往目标实现程度的平均值。每个发言角色的过往目标实现程度可以是过往所有参会的目标实现程度,也可以某个时间段内参会的目标实现程度,不作具体限定。第五指标参数表示该个体当前目标实现程度与过往目标实现程度的比较结果,数值越大表示该个体当前达成自己目标的能力优于以往。另外,可假设不同个体目标实现能力本身具有差异,通过归一化处理后可以进行跨个体目标实现能力的比较。
本发明实施例提供的群体决策能力评估方法,能够有效评估个体目标实现能力,降低评估成本、提高评估效率。
在上述实施例的基础上,所述方法还包括:
获取每个发言角色的所有发言内容的发言累积时长,并将所述第五指标参数与所述发言累积时长的比值作为衡量个体目标实现效率的第六指标参数。
具体的,获取每个发言角色的所有发言内容的发言累积时长,并将所述第五指标参数与所述发言累积时长的比值作为衡量个体目标实现效率的第六指标参数。举例说明如下:对于发言角色A,如果该次会议的第一次发言内容的发言时长为10分钟,此时发言累积时长为10分钟;如果该次会议的第二次发言内容的发言时长为3分钟,此时发言累积时长为13分钟,以此类推,不再赘述。第六指标参数比值越大,意味着个体在单位时间内的目标实现能力越强、目标实现效率越高。
本发明实施例提供的群体决策能力评估方法,能够有效评估个体目标实现效率,降低评估成本、提高评估效率。
需要说明的是,可以将上述六类指标参数中的某几类或全部进行组合,从多维度实现群体决策能力评估。
对于本发明实施例的应用场景,可以在人力资源领域,通过记录一个群体面试的对话过程,我们可以用一定的标准对不同面试者进行能力的量化评估,以作为人才选拔和培养的参考;在政治谈判领域,通过记录一个政治问题讨论的对话过程,一方面可以对各方代表的能力进行定量分析,另一方面还可以进一步获得对于某方有利的话题内容,可将其作为日后谈判的选择;在教育领域,通过定期开展团队讨论,记录学生讨论的对话过程,可用于对学生的能力状态进行评估,自动实现能力持续追踪。综合而言,任何有可量化结论的群体讨论语音或文本,以实现围绕语义内容展开的能力评估、话题分析等相关内容,均可部分或全部应用本发明实施例涉及的方法,同时,抽出本研究的一部分还可以作为消费领域、媒体领域舆论热点挖掘的有效方式。
图2为本发明群体决策能力评估装置实施例结构示意图,如图2所示,本发明实施例提供了一种群体决策能力评估装置,包括第一确定单元201、第二确定单元202和评估单元203,其中:
第一确定单元201用于确定每个发言角色的每次发言内容的主题和关联度向量;所述关联度向量是反映每个发言角色的所有发言内容与所有发言角色的所有主题中的每个主题的关联程度的向量;第二确定单元202用于根据每个发言角色的所有发言内容对应的所有关联度向量、及每个发言角色对应的可量化的群体决策结果,确定每个主题影响群体决策结果的重要程度;评估单元203用于根据所有重要程度和关联度向量,计算每个发言角色对应的衡量个体抓取主题能力的第一指标参数,并根据所述第一指标参数对每个发言角色的个体抓取主题能力进行评估。
具体的,第一确定单元201用于确定每个发言角色的每次发言内容的主题和关联度向量;所述关联度向量是反映每个发言角色的所有发言内容与所有发言角色的所有主题中的每个主题的关联程度的向量;第二确定单元202用于根据每个发言角色的所有发言内容对应的所有关联度向量、及每个发言角色对应的可量化的群体决策结果,确定每个主题影响群体决策结果的重要程度;评估单元203用于根据所有重要程度和关联度向量,计算每个发言角色对应的衡量个体抓取主题能力的第一指标参数,并根据所述第一指标参数对每个发言角色的个体抓取主题能力进行评估。
本发明实施例提供的群体决策能力评估装置,通过确定每个主题影响群体决策结果的重要程度,并根据重要程度和关联度向量计算第一指标参数,能够有效评估每个发言角色的个体抓取主题能力,降低评估成本、提高评估效率。
本发明实施例提供的群体决策能力评估装置具体可以用于执行上述各方法实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
图3为本发明实施例提供的电子设备实体结构示意图,如图3所示,所述电子设备包括:处理器(processor301、存储器(memory)302和总线303;
其中,所述处理器301、存储器302通过总线303完成相互间的通信;
所述处理器301用于调用所述存储器302中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:确定每个发言角色的每次发言内容的主题和关联度向量;所述关联度向量是反映每个发言角色的所有发言内容与所有发言角色的所有主题中的每个主题的关联程度的向量;根据每个发言角色的所有发言内容对应的所有关联度向量、及每个发言角色对应的可量化的群体决策结果,确定每个主题影响群体决策结果的重要程度;根据所有重要程度和关联度向量,计算每个发言角色对应的衡量个体抓取主题能力的第一指标参数,并根据所述第一指标参数对每个发言角色的个体抓取主题能力进行评估。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:确定每个发言角色的每次发言内容的主题和关联度向量;所述关联度向量是反映每个发言角色的所有发言内容与所有发言角色的所有主题中的每个主题的关联程度的向量;根据每个发言角色的所有发言内容对应的所有关联度向量、及每个发言角色对应的可量化的群体决策结果,确定每个主题影响群体决策结果的重要程度;根据所有重要程度和关联度向量,计算每个发言角色对应的衡量个体抓取主题能力的第一指标参数,并根据所述第一指标参数对每个发言角色的个体抓取主题能力进行评估。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:确定每个发言角色的每次发言内容的主题和关联度向量;所述关联度向量是反映每个发言角色的所有发言内容与所有发言角色的所有主题中的每个主题的关联程度的向量;根据每个发言角色的所有发言内容对应的所有关联度向量、及每个发言角色对应的可量化的群体决策结果,确定每个主题影响群体决策结果的重要程度;根据所有重要程度和关联度向量,计算每个发言角色对应的衡量个体抓取主题能力的第一指标参数,并根据所述第一指标参数对每个发言角色的个体抓取主题能力进行评估。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种群体决策能力评估方法,其特征在于,包括:
确定每个发言角色的每次发言内容的主题和关联度向量;所述关联度向量是反映每个发言角色的所有发言内容与所有发言角色的所有主题中的每个主题的关联程度的向量;
根据每个发言角色的所有发言内容对应的所有关联度向量、及每个发言角色对应的可量化的群体决策结果,确定每个主题影响群体决策结果的重要程度;
根据所有重要程度和关联度向量,计算每个发言角色对应的衡量个体抓取主题能力的第一指标参数,并根据所述第一指标参数对每个发言角色的个体抓取主题能力进行评估。
2.根据权利要求1所述的群体决策能力评估方法,其特征在于,所述根据所有重要程度和关联度向量,计算每个发言角色对应的衡量个体抓取主题能力的第一指标参数,包括:
根据与每个重要程度对应的权重和每个关联度向量,计算每个关联度向量的加权平均值,并将每个发言角色对应的加权平均值作为第一指标参数。
3.根据权利要求2所述的群体决策能力评估方法,其特征在于,所述根据每个发言角色的所有发言内容对应的所有关联度向量、及每个发言角色对应的可量化的群体决策结果,确定每个主题影响群体决策结果的重要程度,包括:
将所有关联度向量作为预先建立的多重线性回归模型的自变量计算结果;将所述群体决策结果作为所述多重线性回归模型的因变量计算结果;
根据所述自变量计算结果和所述因变量计算结果拟合所述多重线性回归模型的模型系数,并根据所述模型系数的数值大小确定所述重要程度。
4.根据权利要求1至3任一所述的群体决策能力评估方法,其特征在于,所述方法还包括:
获取所有发言角色的所有角色发言内容,并将所有角色发言内容与所有主题中的每个主题之间的关联度的标准差作为衡量群体讨论主题集中度的第二指标参数,并根据所述第二指标参数对所有发言角色的群体讨论主题集中度进行评估。
5.根据权利要求4所述的群体决策能力评估方法,其特征在于,所述方法还包括:
获取每个发言角色的所有发言内容,并将所有发言内容与所有主题中的每个主题之间的关联度作为衡量个体在不同主题的努力程度的第三指标参数,并根据所述第三指标参数对个体在不同主题的努力程度进行评估;
和/或,将所有发言内容与所有主题中的每个主题之间的关联度的标准差作为衡量个体思维发散度的第四指标参数,并根据所述第四指标参数对个体思维发散度进行评估。
6.根据权利要求5所述的群体决策能力评估方法,其特征在于,所述方法还包括:
根据所述群体决策结果和群体总决策,确定目标实现程度;所述目标实现程度是所述群体决策结果与预设群体决策阈值的比值、且所述比值携带有根据所述群体总决策确定的正相关或负相关的运算因子;所述群体总决策是根据所有角色发言内容确定的可反映群体决策结果总体趋势的决策内容;
根据如下公式计算衡量个体目标实现能力的第五指标参数:
第五指标参数=(每个发言角色的目标实现程度-每个发言角色的过往目标实现程度的平均值)/每个发言角色的过往目标实现程度的平均值。
7.根据权利要求6所述的群体决策能力评估方法,其特征在于,所述方法还包括:
获取每个发言角色的所有发言内容的发言累积时长,并将所述第五指标参数与所述发言累积时长的比值作为衡量个体目标实现效率的第六指标参数。
8.一种群体决策能力评估装置,其特征在于,包括:
第一确定单元,用于确定每个发言角色的每次发言内容的主题和关联度向量;所述关联度向量是反映每个发言角色的所有发言内容与所有发言角色的所有主题中的每个主题的关联程度的向量;
第二确定单元,用于根据每个发言角色的所有发言内容对应的所有关联度向量、及每个发言角色对应的可量化的群体决策结果,确定每个主题影响群体决策结果的重要程度;
评估单元,用于根据所有重要程度和关联度向量,计算每个发言角色对应的衡量个体抓取主题能力的第一指标参数,并根据所述第一指标参数对每个发言角色的个体抓取主题能力进行评估。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910823344.5A CN110750620B (zh) | 2019-09-02 | 2019-09-02 | 一种群体决策能力评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910823344.5A CN110750620B (zh) | 2019-09-02 | 2019-09-02 | 一种群体决策能力评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110750620A true CN110750620A (zh) | 2020-02-04 |
CN110750620B CN110750620B (zh) | 2022-05-13 |
Family
ID=69276014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910823344.5A Active CN110750620B (zh) | 2019-09-02 | 2019-09-02 | 一种群体决策能力评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110750620B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353103A (zh) * | 2020-03-03 | 2020-06-30 | 京东数字科技控股有限公司 | 用于确定用户社群信息的方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678269A (zh) * | 2012-08-30 | 2014-03-26 | 国际商业机器公司 | 一种信息处理方法和装置 |
US20140114729A1 (en) * | 2012-10-18 | 2014-04-24 | Tata Consultancy Services Limited | Assessing outsourcing engagements |
CN108256098A (zh) * | 2018-01-30 | 2018-07-06 | 中国银联股份有限公司 | 一种确定用户评论情感倾向的方法及装置 |
-
2019
- 2019-09-02 CN CN201910823344.5A patent/CN110750620B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678269A (zh) * | 2012-08-30 | 2014-03-26 | 国际商业机器公司 | 一种信息处理方法和装置 |
US20140114729A1 (en) * | 2012-10-18 | 2014-04-24 | Tata Consultancy Services Limited | Assessing outsourcing engagements |
CN108256098A (zh) * | 2018-01-30 | 2018-07-06 | 中国银联股份有限公司 | 一种确定用户评论情感倾向的方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353103A (zh) * | 2020-03-03 | 2020-06-30 | 京东数字科技控股有限公司 | 用于确定用户社群信息的方法和装置 |
CN111353103B (zh) * | 2020-03-03 | 2023-11-03 | 京东科技控股股份有限公司 | 用于确定用户社群信息的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110750620B (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108536681B (zh) | 基于情感分析的智能问答方法、装置、设备及存储介质 | |
CN107958317A (zh) | 一种众包项目中选取众包参与人的方法和装置 | |
CN110175229B (zh) | 一种基于自然语言进行在线培训的方法和系统 | |
CN112799747A (zh) | 智能助理评价、推荐方法、系统、终端及可读存储介质 | |
CN114254208A (zh) | 薄弱知识点的识别方法、学习路径的规划方法与装置 | |
Pugh et al. | Say What? Automatic Modeling of Collaborative Problem Solving Skills from Student Speech in the Wild. | |
CN111401828A (zh) | 一种强化排序的动态智能面试方法、装置、设备及计算机存储介质 | |
CN110580516B (zh) | 一种基于智能机器人的交互方法及装置 | |
Gao | Research and implementation of intelligent evaluation system of teaching quality in universities based on artificial intelligence neural network model | |
CN112418779A (zh) | 一种基于自然语言理解的在线自助面试方法 | |
CN114186983B (zh) | 视频面试多维评分方法、系统、计算机设备及存储介质 | |
CN113761156A (zh) | 人机交互对话的数据处理方法、装置、介质及电子设备 | |
CN115083434A (zh) | 一种情绪识别方法、装置、计算机设备及存储介质 | |
CN113435627A (zh) | 基于工单轨迹信息的电力客户投诉预测方法及装置 | |
CN116862166A (zh) | 一种岗位匹配方法、装置、设备及计算机存储介质 | |
CN116521850A (zh) | 一种基于强化学习的交互方法及装置 | |
CN110750620B (zh) | 一种群体决策能力评估方法及装置 | |
CN112148994B (zh) | 信息推送效果评估方法、装置、电子设备及存储介质 | |
Yan et al. | Exploring learner engagement patterns in teach-outs using topic, sentiment and on-topicness to reflect on pedagogy | |
CN115600966A (zh) | 团队讨论语料分析方法及装置 | |
CN113221821A (zh) | 业务数据的推送方法、装置和服务器 | |
Zhong et al. | Predicting Collaborative Task Performance Using Graph Interlocutor Acoustic Network in Small Group Interaction. | |
Haaland et al. | Measuring What Is Top of Mind | |
CN113378826B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN114399821B (zh) | 策略推荐方法、装置、存储介质 |
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 |