CN111062626A - 能力水平评估方法、装置、设备及存储介质 - Google Patents
能力水平评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111062626A CN111062626A CN201911320678.7A CN201911320678A CN111062626A CN 111062626 A CN111062626 A CN 111062626A CN 201911320678 A CN201911320678 A CN 201911320678A CN 111062626 A CN111062626 A CN 111062626A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- model
- training
- evaluated
- evaluation model
- 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.)
- Pending
Links
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种能力水平评估方法、装置、设备及存储介质,该方法包括:为待评估对象确定测评题目;获取所述待评估对象对所述测评题目的实际作答情况;根据所述实际作答情况,对第一评估模型和第二评估模型进行交叉迭代训练;其中,所述第一评估模型和所述第二评估模型的模型输出相同,模型输入和模型参数互换;根据训练结果,确定所述待评估对象的能力水平。本发明实施例的技术方案在能力评估的过程中,无需依赖专家提供的量表,且通过对两种评估模型的交叉迭代训练,不断提升两种评估模型预测能力的准确性上限值,实现灵活且更为准确的为待评估对象进行能力水平评估,为能力水平评估提供了一种新思路。
Description
技术领域
本发明实施例涉及计算机技术领域,尤其涉及一种能力水平评估方法、装置、设备及存储介质。
背景技术
能力水平是评价一个人某一技能或心理健康状况的评价标准,目前现有技术在评估一个人的某一技能或心理状态的能力水平时,主要是通过专家出具的量表进行测量,具体的,专家会根据自己的经验和知识储备,给出测评题目的具体计分规则,然后根据该计分规则,计算出目标对象的答题得分,并将该得分映射到计分规则中划定的能力水平区间,进而评估出该目标对象的能力水平。
但是,现有的能力水平评估过程依赖专家出具的量表,由于出具量表的专家水平参差不齐,容易出现评估的能力水平和实际偏差较大,影响能力评估结果的准确性,且量表对应的计分规则是固定不变的,在能力水平评估过程中无法根据实际情况进行优化调整,灵活性较差。
发明内容
本发明提供了一种能力水平评估方法、装置、设备及存储介质,在能力评估过程中,无需依赖专家提供的量表,且通过对两种评估模型的交叉迭代训练,不断提升两种评估模型预测能力的准确性上限值,可实现灵活且更为准确的为待评估对象进行能力水平评估,为能力水平评估提供了一种新思路。
第一方面,本发明实施例提供了一种能力水平评估方法,该方法包括:
为待评估对象确定测评题目;
获取所述待评估对象对所述测评题目的实际作答情况;
根据所述实际作答情况,对第一评估模型和第二评估模型进行交叉迭代训练;其中,所述第一评估模型和所述第二评估模型的模型输出相同,模型输入和模型参数互换,所述第一评估模型和所述第二评估模型的数学表达式相同;
根据训练结果,确定所述待评估对象的能力水平。
第二方面,本发明实施例还提供了一种能力水平评估装置,该装置包括:
测评题目确定模块,用于为待评估对象确定测评题目;
作答情况获取模块,用于获取所述待评估对象对所述测评题目的实际作答情况;
模型训练模块,用于根据所述实际作答情况,对第一评估模型和第二评估模型进行交叉迭代训练;其中,所述第一评估模型和所述第二评估模型的模型输出相同,模型输入和模型参数互换,所述第一评估模型和所述第二评估模型的数学表达式相同;
能力水平确定模块,用于根据训练结果,确定所述待评估对象的能力水平。
第三方面,本发明实施例还提供了一种电子设备,该电子设备包括:
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本发明任意实施例所述的能力水平评估方法。
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,该程序被处理器执行时实现如本发明任意实施例所述的能力水平评估方法。
本发明实施例提供的能力水平评估方法、装置、设备及存储介质,通过为待评估对象提供测评题目供其作答,并获取待评估对象的实际作答情况,进而根据实际作答情况,对第一评估模型和第二评估模型进行交叉迭代训练,不断优化两种评估模型的模型参数,并根据优化后的表征能力水平的模型参数确定待评估对象的能力水平。本发明实施例的技术方案在能力评估的过程中,无需依赖专家提供的量表,且通过对两种评估模型的交叉迭代训练,不断提升两种评估模型预测能力的准确性上限值,实现灵活且更为准确的为待评估对象进行能力水平评估,为能力水平评估提供了一种新思路。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案,下面对描述实施例中所需要用到的附图做一简单介绍。显然,所介绍的附图只是本发明所要描述的一部分实施例的附图,而不是全部的附图,对于本领域普通技术人员,在不付出创造性劳动的前提下,还可以根据这些附图得到其他的附图。
图1是本发明实施例一提供的一种能力水平评估方法的流程图;
图2是本发明实施例二提供的一种能力水平评估方法的流程图;
图3是本发明实施例三提供的一种能力水平评估方法的流程图;
图4是本发明实施例四提供的一种能力水平评估方法的流程图;
图5是本发明实施例五提供的一种能力水平评估装置的结构框图;
图6是本发明实施例六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能力水平评估方法的流程图,本实施例可适用于基于两种评估模型,对待评估对象的能力水平进行评估的情况,该方法可以由本发明实施例提供的能力水平评估装置或设备来执行,该装置可采用硬件和/或软件的方式实现。该方法具体包括:
S101,为待评估对象确定测评题目。
其中,待评估对象可以是具有能力水平评估需求的用户,该能力水平评估需求可以是评估用户某一项技能的能力水平,例如,可以是评估用户英语水平的能力水平,还可以是评估用户某一方面心理状态的能力水平,例如,可以是评估用户心理健康状态的能力水平。测评题目可以是用来评估待评估对象能力水平的参考依据。该测评题目可以是相关专家根据评估需求预先设置的题目。
可选的,本发明实施例可以是预先构建一个用于为待评估对象提供测评题目的题目库。该测评题目库中可以包括至少一个测评项目的可选测评题目。具体的,可以是预先由各方面的专家根据其专业知识为各方面的测评项目设计不同类型、不同难度的多个可选测评题目,将题目库的存储单元按照测评项目划分为多个数据存储空间,针对每一个存储空间,又进一步按照题目的难易程度划分为多个区域,将所有可选测评题目按照其所属测评项目和难易程度存储在题目库中对应的存储区域,从而完成了题目库的构建。还可以根据实际需求,采用其他方式构建题目库,对此本实施例不进行限定。可选的,题目库中题目可以定期进行更新调整。
本步骤在为待评估对象确定测评题目时,可以是根据待评估对象的测评需求,确定待评估对象的测评项目,然后从预先构建的题目库中找到该测评项目对应的可选测评题目,进而根据该测评项目的题目选择规则从该测评项目对应的可选测评题目中选择出本次为待评估对象确定的测评题目。其中,各测评项目都有对应的题目选择规则,可选的,题目选择规则中可以包括但不限于:题目类型的选择、题目数量的选择以及题目难易程度、题目的猜测度、题目的区分度的选择等。各测评项目的题目选择规则可以相同也可以不同。例如,若测评项目为英语水平测评,此时该测评项目的题目选择规则可以是选择10个选择题,其中,难度水平比例为(高:中:低)=(5:3:2);3个阅读题,其中,难度水平比例为(高:中:低)=(1:1:1)和1个中等难度水平的作文题,此时可以是从题目库中先找到所有可选英语水平测试题目,然后按照本次英语水平测试的题目选择规则,从可选英语水平测试题目中为待评估用户选出对应的测评题目。
可选的,本发明实施例待进行能力测评的待评估对象的个数可以是一个或多个,为每一个待评估对象确定出的测评题目的个数也可以为一个或多个。可选的,若多个待评估对象需要测评的是同一测评项目,则可以为多个待评估对象选择尽可能有交叉的一个或多个测评题目。例如,各待评估对象的测评题目之间有一部分是相同的,有一部分是不同的。对此本实施例不进行限定。可选的,为了提高测评结果的准确性,为每个待评估对象,确定的测评题目的个数通常为多个。
S102,获取待评估对象对测评题目的实际作答情况。
可选的,本发明实施例可以是在S101为一个或多个待评估对象确定测评题目后,针对每一个待评估对象,将为其确定的一个或多个测评题目展示给该待评估对象,供该待评估对象进行作答,在该待评估对象提交答案后,电子设备会根据每一个测评题目的标准答案,对待评估对象提交的答案进行评分,然后将每一个测评题目的评分结果进行归一化处理,并将归一化处理结果作为该测评题目的实际作答情况。例如,若根据测评题目的标准答案对待评估对象提交的答案进行评分后,评分结果为3分,且该题目的满分为3分,则此时对该评分结果进行归一化处理后,将1作为该测评题目的实际作答情况。
S103,根据实际作答情况,对第一评估模型和第二评估模型进行交叉迭代训练。
其中,第一评估模型和第二评估模型可以都是描述测评题目的属性信息、能力参数与测评题目的正确作答概率之间的关联关系的模型。且第一评估模型和第二评估模型的模型输出相同,模型输入和模型参数互换,第一评估模型和第二评估模型对应的数学表达式相同。可选的,本发明实施例中的第一评估模型的模型输入可以为能力参数、模型参数可以为测评题目的属性信息、模型输出可以为测评题目的正确作答概率。第二评估模型的模型输入可以为测评题目的属性信息、模型参数可以为能力参数、模型输出可以为测评题目的正确作答概率。其中,测评题目的属性信息可以是每一道测评题目所固有的属性信息,其可以包括但不限于:测评题目的区分度、难度、猜测度和睡眠参数等中的至少一个。能力参数可以是表征待评估对象的能力水平的参数。测评题目的正确作答概率可以是评估模型预测出的待评估对象答对该测评题目的概率值。可选的,本发明实施例的第一评估模型和第二评估模型可以是预先构建的,具体的构建方法将在后续实施例进行详细介绍。
可选的,由于本发明实施例的第一评估模型的模型输入为能力参数,训练后更新的模型参数为测评题目的属性信息。构建的第二评估模型的模型输入为测评题目的属性信息,训练后更新的模型参数为能力参数,所以本步骤在根据实际作答情况,对第一评估模型和第二评估模型进行交叉迭代训练时,可以是将第二评估模型上一次训练更新的能力参数作为本次第一评估模型训练的模型输入,将第一评估模型本次训练更新的测评题目的属性信息作为本次第二评估模型训练的模型输入。对第一评估模型和第二评估模型进行多次这样的交叉迭代训练,直到满足训练结束条件,方可结束本步骤对第一评估模型和第二评估模型的交叉迭代训练。本发明实施例在进行交叉迭代训练时,选择的迭代算法可以是最大期望算法(EM算法)。
可选的,在本发明实施例中,无论是第一评估模型还是第二评估模型,其训练过程可以是,根据模型的模型输入、模型参数以及作为标签(label)的待评估对象对测评题目的实际作答情况,结合第一评估模型或第二评估模型,求解第一评估模型或第二评估模型中的模型参数。其中具体的模型参数求解方法可以有很多,对此本发明实施例不进行限定。优选的,可以是通过神经网络梯度反向传播的方式来求解第一评估模型和第二评估模型中的模型参数。
S104,根据训练结果,确定待评估对象的能力水平。
可选的,当S103对第一评估模型和第二评估模型进行交叉迭代训练后满足训练结束条件,则可以提取此时第二评估模型的模型参数,即能力参数,并根据该能力参数确定待评估对象的能力水平。可选的,根据第二评估模型的能力参数,确定待评估对象的能力水平的方法有很多,对此本实施例不进行限定。可以是直接将提取出的第二评估模型的能力参数作为待评估对象的能力参数。例如,若提取出的第二评估模型的能力参数为1.56,则可以将1.56直接作为待评估对象的能力水平。还可以是对提取出的第二评估模型的能力参数按照一定的规则处理得到待评估对象的能力水平。需要说明的是,本发明实施例不对具体的处理方法进行限定。可以是不同的测评项目对应不同的处理方法。优选的一种处理方式可以是将待评估模型的能力参数映射到预设的水平区间,从而确定待评估对象的能力水平。例如,预先设置初级对应的区间为:-3~-1,中级对应的区间为:-1~1,高级对应的区间为1~3,若提取出的第二评估模型的能力参数为1.56,其映射到的水平区间为1~3对应的能力水平为高级,进而确定该能力参数对应的待评估对象的能力水平为高级。
本实施例提供了一种能力水平评估方法,通过为待评估对象提供测评题目供其作答,并获取待评估对象的实际作答情况,进而根据实际作答情况,对第一评估模型和第二评估模型进行交叉迭代训练,不断优化两种评估模型的模型参数,并根据优化后的表征能力水平的模型参数确定待评估对象的能力水平。本发明实施例的技术方案在能力评估的过程中,无需依赖专家提供的量表,且通过对两种评估模型的交叉迭代训练,不断提升两种评估模型预测能力的准确性上限值,例如,若对第一评估模型和第二评估模型进行普通的训练,其正确率上限最高能达到92%;若对第一评估模型和第二评估模型进行本实施例的交叉迭代训练,其正确率上限可以突破92%,最高达到95%。从而实现灵活且更为准确的为待评估对象进行能力水平评估,为能力水平评估提供了一种新思路。
实施例二
图2本发明实施例二提供的一种能力水平评估方法的流程图,该方法在上述实施例的基础上进一步的优化,具体给出了如何构建第一评估模型和第二评估模型的情况介绍。如图2所示,该方法包括:
S201,构建模型输入为能力参数,模型参数为测评题目的属性信息,模型输出为测评题目的正确作答概率的第一评估模型。
可选的,本发明实施例构建的第一评估模型的模型输入为能力参数;第一评估模型的模型参数为测评题目的属性信息,第一评估模型的模型输出为测评题目的正确作答概率。本发明实施例构建的第一评估模型,可以根据模型输入(即待评估对象的能力参数),按照模型参数(即测评题目的属性信息),根据模型的具体算法进行计算,预测出该待评估对象作答该测评题目时正确作答的概率。进而根据标签(即待评估对象作答测评题目的实际情况)和模型输出(即预测出该待评估对象作答该测评题目的正确作答概率),更新第一评估模型的模型参数(即测评题目的属性信息),可选的,当测评题目的数量为至少两个时,本步骤可以是为每一个测评题目都构建一个第一评估模型。
可选的,本发明实施例构建的第一评估模型只要是基于测评题目的属性信息、能力参数与测评题目的正确作答概率之间的关系表达式构建的模型就行,具体的模型表达式形式本实施例不进行限定。可选的,可以是采用逻辑回归模型,如三参数逻辑回归模型或四参数逻辑回归模型,还可以采用其它模型等。优选的,若本发明施例构建的评估模型为四参数逻辑回归模型,则该评估模型的数学表达式可以是:
其中,Xij为第i个待评估对象回答第j个测评题目的得分;Xij=1表示回答正确;θi为第i个待评估对象的能力参数;aj,bj,cj,dj为测评题目的四个属性信息,即分别为测评题目的区分度、难度、猜测度和睡眠参数,P(Xij=1|θi;aj,bj,cj,dj)为第i个待评估对象回答第j个测评题目正确的概率。
可选的,若本发明实施例构建的是三参数逻辑回归模型,则上述公式(1)中的测评题目的属性信息只有三个,即aj,bj,cj,睡眠参数dj固定设置为某一数值,如设置为1。
S202,构建模型输入为测评题目的属性信息,模型参数为能力参数,模型输出为测评题目的正确作答概率的第二评估模型。
可选的,本发明实施例构建的第二评估模型的模型输入为第一评估模型的模型参数,即测评题目的属性信息,第二评估模型的模型参数为第一评估模型的模型输入,即能力参数,第二评估模型的模型输出为第一评估模型的模型输出,即测评题目的正确作答概率。本发明实施例构建的第二评估模型,可以根据模型输入(即测评题目的属性信息),按照模型参数(即能力参数),根据模型的具体算法进行计算,预测出待评估对象作答该测评题目时正确作答的概率。进而根据标签(即待评估对象作答测评题目的实际情况)和模型输出(即预测出该待评估对象作答该测评题目的正确作答概率),更新第二评估模型的模型参数(即待评估对象的能力参数),可选的,当待评估对象的数量为至少两个时,本步骤可以是为每一个待评估对象都构建一个第二评估模型。
可选的,本发明实施例构建的第二评估模型只要是基于测评题目的属性信息、能力参数与测评题目的正确作答概率之间的关系表达式构建的模型就行,具体的模型表达式形式本实施例不进行限定。需要说明的是,第一评估模型和第二评估模型的数学表达式相同。例如,若第一评估模型为四参数逻辑回归模型,则第二评估模型也必须为四参数逻辑回归模型。
需要说明的是,本发明实施例S201构建的第一评估模型和S202构建的第二评估模型的模型输出相同,模型输入和模型参数互换。
S203,为待评估对象确定测评题目。
S204,获取待评估对象对测评题目的实际作答情况。
S205,根据实际作答情况,对第一评估模型和第二评估模型进行交叉迭代训练。
S206,根据训练结果,确定待评估对象的能力水平。
本发明实施例提供的能力水平评估方法,预先构建表征测评题目的属性信息、能力参数与测评题目的正确作答概率之间的关联关系的第一评估模型和第二评估模型,且第一评估模型和第二评估模型的模型输出相同,模型输入和模型参数互换。在获取待评估对象针对测评题目的实际作答情况后,根据实际作答情况,对第一评估模型和第二评估模型进行交叉迭代训练,不断优化构建的两种评估模型的模型参数,并根据优化后的表征能力水平的模型参数确定待评估对象的能力水平。本发明实施例的技术方案预先构建具有特殊关联关系的两种评估模型,为后续通过对两类评估模型进行交叉迭代训练,灵活准确评估待评估对象的能力水平提供了保障,使得模型评估待评估对象能力水平的能力能够持续提升,使得评估能力水平的过程无需在依赖专家提供的量表。
第三实施例,
图3本发明实施例三提供的一种能力水平评估方法的流程图,该方法在上述各实施例的基础上进一步的优化,具体给出了如何根据实际作答情况,对第一评估模型和第二评估模型进行交叉迭代训练的情况介绍。如图3所示,该方法包括:
S301,构建模型输入为能力参数,模型参数为测评题目的属性信息,模型输出为测评题目的正确作答概率的第一评估模型。
S302,构建模型输入为测评题目的属性信息,模型参数为能力参数,模型输出为测评题目的正确作答概率的第二评估模型。
S303,为待评估对象确定测评题目。
S304,获取待评估对象对测评题目的实际作答情况。
S305,根据实际作答情况和上一次训练更新的第二评估模型的模型参数,对第一评估模型进行本次训练,更新第一评估模型的模型参数。
其中,本发明实施例中,第二评估模型的模型参数为能力参数,第一评估模型的模型参数为测评题目的属性信息。
可选的,本步骤可以将上一次迭代训练时更新的第二评估模型的模型参数(即能力参数)作为第一评估模型本次迭代训练的模型输入,然后运行该第一评估模型,此时第一评估模型会基于其上一次训练更新的模型参数(即测评题目的属性信息),对输入的能力参数进行运算得到第一评估模型输出的该测评题目的正确作答概率;进而根据该测评题目的正确作答概率与标签(即待评估对象对该测评题目的实际作答情况),采用神经网络梯度反向传播的方式更新第一评估模型的模型参数(即测评题目的属性信息)。此时完成本次迭代训练过程中的第一评估模型的训练,更新一次第一评估模型的模型参数。
可选的,若本步骤对第一评估模型的训练是构建第一评估模型后的首次训练,则执行本步骤对第一评估模型进行本次训练之前,还包括:对第一评估模型的模型参数和模型输入进行初始化处理,并将初始化处理后的模型输入作为本次训练第二评估模型的模型参数的初始化值。
具体的,S301构建了第一评估模型,但是并没有为第一评估模型的模型参数赋值,所以本实施例在训练第一评估模型之前,需要先对第一评估模型的模型参数(即测评题目的属性信息)进行初始化赋值,可选的,对测评题目的属性信息进行初始化的方法有很多,对此本发明实施例不进行限定。例如,可以是将测评题目的属性信息设置为预设数值,例如,可以是将测评题目的属性信息都设置为0。还可以是为测评题目的属性信息设置服从正太分布或其他合理分布的随机值;还可以是通过统计的方法获取测评题目的属性信息的数值,并采用该数值进行初始化赋值;也可以是对测评题目的属性信息中的不同参数采用不同的方法进行初始化赋值,例如,测评题目的区分度和睡眠参数通过统计的方式进行初始化赋值;测评题目的难度根据专家出题时给出的难度值进行初始化赋值;测评题目的猜测度根据测评题目的形式进行初始化赋值。
当首次对第一评估模型进行训练时,第二评估模型还没有进行过训练,所以此时第一评估模型的模型输入(即能力参数)也需要进行初始化赋值,具体的,对能力参数进行初始化赋值的方法可以类似与上述对测评题目的属性信息进行初始化的方法,对此本实施例不进行限定。
S306,根据实际作答情况和本次训练更新的第一评估模型的模型参数,对第二评估模型进行本次训练,更新第二评估模型的模型参数。
可选的,本步骤可以是将S305本次对第一评估模型训练后更新的第一评估模型的模型参数(即测评题目的属性信息)作为第二评估模型本次迭代训练的模型输入,然后运行该第二评估模型,此时第二评估模型会基于其上一次训练更新的模型参数(即能力参数),对输入的测评题目的属性信息进行运算得到第二评估模型输出的该测评题目的正确作答概率,进而根据该测评题目的正确作答概率与标签(即待评估对象对该测评题目的实际作答情况),采用神经网络梯度反向传播的方式更新第二评估模型的模型参数(即能力参数)。此时完成本次迭代训练过程中的第二评估模型的训练,更新一次第二评估模型的模型参数。
可选的,若本步骤对第二评估模型的训练是构建第二评估模型后的首次训练,由于此时第一评估模型已经完成了首次训练,所以该第二评估模型的模型输入可以是第一评估模型首次训练更新的测评题目的属性信息。第二评估模型的模型参数可以是第一评估模型首次训练时输入的能力参数。
S307,判断本次训练更新的第二评估模型的模型参数是否满足结束条件,若是,则执行S308,否则返回执行S305,对第一评估模型和第二评估模型进行下一次训练。
其中,结束条件可以是本发明实施例S305和S306进行交叉迭代训练的结束条件。具体的条件内容本发明实施例不进行限定。可以是执行轮次对应的结束条件,例如,交叉迭代训练次数是否达到预设次数,若是则满足结束条件;还可以是能力参数误差对应的结束条件,例如,相邻至少两次交叉迭代训练后第二评估模型更新的能力参数之间的差值是否在预设范围内,若是则满足结束条件。
可选的,本实施例在执行完S306,更新第二评估模型的模型参数后,需要判断本次训练更新的第二评估模型的模型参数,即能力参数是否满足结束条件。如果本次训练更新的第二评估模型的能力参数不满足结束条件,则说明还需要进一步优化第二评估模型的能力参数,此时需要返回执行S305-S306对第一评估模型和第二评估模型进行下一次交叉迭代训练。如果本次训练更新的第二评估模型的能力参数满足结束条件,则说明第二评估模型的能力参数优化更新过程已经完成,即第一评估模型和第二评估模型的交叉迭代训练已经完成,此时执行S308,确定待评估对象的能力水平。
S308,若本次训练更新的第二评估模型的模型参数满足结束条件,则根据本次训练更新的第二评估模型的模型参数,确定待评估对象的能力水平。
需要说明的是,如何根据第二评估模型的模型参数,确定待评估对象的能力水平的方法上述实施例已经介绍,在此不进行赘述。
本实施例提供了一种能力水平评估方法,预先构建模型输出相同,模型输入和模型参数互换的第一评估模型和第二评估模型,在获取待评估对象针对测评题目的实际作答情况后,根据实际作答情况,对第一评估模型和第二评估模型进行交叉迭代训练,不断优化构建的两种评估模型的模型参数,并根据优化后的表征能力水平的第二评估模型的模型参数确定待评估对象的能力水平。本发明实施例的技术方案在不依赖专家提供的量表的同时,可以通过不断对两种评估模型的模型参数进行相关互联的优化更新,灵活确定出更为精准能力参数,进而提高了对待评估对象的能力水平确定的准确性。
实施例四
图4本发明实施例四提供的一种能力水平评估方法的流程图,该方法在上述各实施例的基础上进一步的优化,具体给出了当待评估对象和测评题目均为至少两个时,如何为至少两个待评估对象进行能力水平评估的一个优选实例。
如图4所示,该方法包括:
S401,为每个测评题目构建一个第一评估模型,为每个待评估对象构建一个第二评估模型。
可选的,本发明实施例可以是为每个测评题目构建模型输入为能力参数,模型参数为测评题目的属性信息,模型输出为测评题目的正确作答概率的第一评估模型;为每一个待评估对象构建模型输入为测评题目的属性信息,模型参数为能力参数,模型输出为测评题目的正确作答概率的第二评估模型。可选的,第一评估模型和第二评估模型可以为逻辑回归模型。
S402,为每个待评估对象确定测评题目。
可选的,本发明实例可以是为每个待评估对象都从题目库中确定至少两个测评题目,具体的确定方法上述实施例已经进行了介绍,在此本实施例不进行赘述。可选的,为每个待评估对象确定的测评题目可以完全相同,也可以是部分相同。
S403,获取每个待评估对象对测评题目的实际作答情况。
S404,针对每个第一评估模型对应的测评题目,根据各待评估对象对该测评题目的实际作答情况和各第二评估模型上一次对其对应的待评估对象训练更新的模型参数,对该第一评估模型进行本次训练,更新该第一评估模型的模型参数。
可选的,由于本发明实施例是对每一个测评题目都构建了一个第一评估模型,且第一评估模型的模型参数为测评题目的属性信息,所以迭代训练各第一评估模型可以不断对各第一评估模型对应的测评题目的属性信息进行优化更新,从而不断提升第一评估模型的模型参数(即测评题目的属性信息)准确性。
具体的,针对每个测评题目对应的第一评估模型,将作答该测评题目的各待评估对象对应的各第二评估模型上一次训练更新的模型参数,即能力参数作为第一评估模型本次训练的模型输入,根据该模型输入、第一评估模型上一次更新的该测评题目的属性信息,以及标签,即模型输入对应的待评估对象对该测评题目的实际作答情况,采用神经网络梯度反向传播的方式对第一评估模型的测评题目的属性信息进行更新,该测评题目对应的第一评估模型的本次训练过程完成。
可选的,本发明实施例可以是同时对各测评题目对应的第一评估模型执行本步骤的训练过程,也可以是依次对各测评题目对应的第一评估模型执行本步骤的训练过程,对此本实施例不进行限定。
S405,针对每个第二评估模型对应的待评估对象,根据该待评估对象对各测评题目的实际作答情况和各第一评估模型本次对其对应的测评题目训练更新的模型参数,对该第二评估模型进行本次训练,更新该第二评估模型的模型参数。
可选的,由于本发明实施例是对每一个待评估对象都构建了一个第二评估模型,且第二评估模型的模型参数为其对应的待评估对象的能力参数,所以迭代训练各第二评估模型可以不断对各第二评估模型对应的待评估对象的能力参数进行优化更新,从而不断提升第二评估模型的模型参数(即能力参数)准确性。
具体的,针对每个待评估对象对应的第二评估模型,将该待评估对象作答的各测评题目对应的第一评估模型在S404训练后更新的模型参数,即测评题目的属性信息,作为第二评估模型本次训练的模型输入,根据该模型输入、第二评估模型上一次更新的该待评估对象的能力参数,以及标签,即该待评估对象对各测评题目的实际作答情况,采用神经网络梯度反向传播的方式对第二评估模型中该待评估对象的能力参数进行更新,该待评估对象对应第二评估模型的本次训练过程完成。
可选的,本发明实施例可以是同时对各待评估对象对应的第二评估模型执行本步骤的训练过程,也可以是依次对各待评估对象对应的第二评估模型执行本步骤的训练过程,对此本实施例不进行限定。
S406,判断本次训练更新的各个第二评估模型的模型参数是否满足结束条件,若是,则执行S407,否则返回执行S404,对各个第一评估模型和各个第二评估模型进行下一次训练。
可选的,在对各个第一评估模型和各个第二评估模型进行完一次S404-S405的交叉迭代训练后,需要判断本次交叉迭代训练后的各个第二评估模型的模型参数是否满足结束条件,具体的判断方法上述实施例已经进行介绍,在此不进行赘述,如果满足,则执行S407,确定各个待评估对象的能力水平,否则对各个第一评估模型和各个第二评估模型返回执行S404-S405进行下一次交叉迭代训练,直到满足结束条件。
S407,若本次训练更新的各个第二评估模型的模型参数满足结束条件,则根据本次训练更新的各个第二评估模型的模型参数,确定各个待评估对象的能力水平。
本实施例提供了一种能力水平评估方法,在待评估对象和测评题目均为多个时,为每一个测评题目构建一个第一评估模型,为每一个待评估对象构建一个第二评估模型,根据获取的多个待评估对象对多个测评题目的实际作答情况对各第一评估模型和各第二评估模型进行交叉迭代训练,确定各个待评估对象的能力水平。本发明实施例的方案由多个待评估对象对同一测评题目的实际作答情况,结合第二评估模型优化更新的作答该题目的待评估对象对应的能力参数,优化该测评题目的属性信息。由一个待评估对象对各测评题目的实际作答情况,结合第一评估模型优化更新的各测评题目的属性信息,优化该待评估对象对应的能力参数。不断提升预测出的能力参数的准确性上限值,实现灵活且更为准确的为待评估对象进行能力水平评估。
实施例五
图5为本发明实施例五提供的一种能力水平评估装置的结构框图,该装置可执行本发明任意实施例所提供的能力水平评估方法,具备执行方法相应的功能模块和有益效果。如图5所示,该装置包括:
测评题目确定模块501,用于为待评估对象确定测评题目;
作答情况获取模块502,用于获取所述待评估对象对所述测评题目的实际作答情况;
模型训练模块503,用于根据所述实际作答情况,对第一评估模型和第二评估模型进行交叉迭代训练;其中,所述第一评估模型和所述第二评估模型的模型输出相同,模型输入和模型参数互换,所述第一评估模型和所述第二评估模型的数学表达式相同;
能力水平确定模块504,用于根据训练结果,确定所述待评估对象的能力水平。
本实施例提供了一种能力水平评估装置,通过为待评估对象提供测评题目供其作答,并获取待评估对象的实际作答情况,进而根据实际作答情况,对第一评估模型和第二评估模型进行交叉迭代训练,不断优化两种评估模型的模型参数,并根据优化后的表征能力水平的模型参数确定待评估对象的能力水平。本发明实施例的技术方案在能力评估的过程中,无需依赖专家提供的量表,且通过对两种评估模型的交叉迭代训练,不断提升预测出的能力参数的准确性上限值,实现灵活且更为准确的为待评估对象进行能力水平评估,为能力水平评估提供了一种新思路。
进一步的,上述装置还包括:
评估模型构建模块,用于构建模型输入为能力参数,模型参数为测评题目的属性信息,模型输出为测评题目的正确作答概率的第一评估模型;构建模型输入为测评题目的属性信息,模型参数为能力参数,模型输出为测评题目的正确作答概率的第二评估模型。
进一步的,若待评估对象和测评题目均为至少两个,则上述评估模型构建模块还用于:
为每个测评题目构建一个第一评估模型;
为每个待评估对象构建一个第二评估模型。
进一步的,所述模型训练模块503包括:
第一模型训练单元,用于根据所述实际作答情况和上一次训练更新的第二评估模型的模型参数,对所述第一评估模型进行本次训练,更新所述第一评估模型的模型参数;
第二模型训练单元,用于根据所述实际作答情况和本次训练更新的第一评估模型的模型参数,对所述第二评估模型进行本次训练,更新所述第二评估模型的模型参数;
训练结束判断单元,用于若本次训练更新的所述第二评估模型的模型参数不满足结束条件,则对所述第一评估模型和所述第二评估模型进行下一次训练。
进一步的,能力水平确定模块504具体用于:
若本次训练更新的所述第二评估模型的模型参数满足结束条件,则根据本次训练更新的所述第二评估模型的模型参数,确定所述待评估对象的能力水平。
进一步的,若本次训练为第一评估模型的首次训练,则上述第一模型训练单元具体用于:
对所述第一评估模型的模型参数和模型输入进行初始化处理,并将初始化处理后的模型输入作为本次训练第二评估模型的模型参数的初始化值。
进一步的,若第一评估模型和第二评估模型均为至少两个,则上述第一模型训练单元具体用于:
针对每个第一评估模型对应的测评题目,根据各待评估对象对该测评题目的实际作答情况和各第二评估模型上一次对其对应的待评估对象训练更新的模型参数,对所述第一评估模型进行本次训练,更新所述第一评估模型的模型参数;
相应的,上述第二模型训练单元,具有用于:
针对每个第二评估模型对应的待评估对象,根据该待评估对象对各测评题目的实际作答情况和各第一评估模型本次对其对应的测评题目训练更新的模型参数,对所述第二评估模型进行本次训练,更新所述第二评估模型的模型参数。
实施例六
图6为本发明实施例六提供的一种电子设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性电子设备60的框图。图6显示的电子设备60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6所示,该电子设备60以通用计算设备的形式表现。该电子设备60的组件可以包括但不限于:一个或者多个处理器601,存储装置602,连接不同系统组件(包括存储装置602和处理器601)的总线603。
总线603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。
电子设备60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电子设备60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。
存储装置602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)604和/或高速缓存存储器605。电子设备60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606可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6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603相连。存储装置602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607的程序/实用工具608,可以存储在例如存储装置602中,这样的程序模块607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607通常执行本发明所描述的实施例中的功能和/或方法。
电子设备60也可以与一个或多个外部设备609(例如键盘、指向设备、显示器610等)通信,还可与一个或者多个使得用户能与该设备交互的设备通信,和/或与使得该电子设备60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611进行。并且,电子设备60还可以通过网络适配器612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6所示,网络适配器612通过总线603与电子设备60的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备60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601通过运行存储在存储装置602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能力水平评估方法。
实施例七
本发明实施例七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,该程序被处理器执行时可实现上述实施例所述的能力水平评估方法。
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机器人上执行。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)。
上述实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员应该明白,上述的本发明实施例的各模块或各操作可以用通用的计算装置来实现,它们可以集中在单个计算装置上,或者分布在多个计算装置所组成的网络上,可选地,他们可以用计算机装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或操作制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间的相同或相似的部分互相参见即可。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域技术人员而言,本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种能力水平评估方法,其特征在于,包括:
为待评估对象确定测评题目;
获取所述待评估对象对所述测评题目的实际作答情况;
根据所述实际作答情况,对第一评估模型和第二评估模型进行交叉迭代训练;其中,所述第一评估模型和所述第二评估模型的模型输出相同,模型输入和模型参数互换,所述第一评估模型和所述第二评估模型的数学表达式相同;
根据训练结果,确定所述待评估对象的能力水平。
2.根据权利要求1所述的方法,其特征在于,为待评估对象确定测评题目之前,还包括:
构建模型输入为能力参数,模型参数为测评题目的属性信息,模型输出为测评题目的正确作答概率的第一评估模型;
构建模型输入为测评题目的属性信息,模型参数为能力参数,模型输出为测评题目的正确作答概率的第二评估模型。
3.根据权利要求2所述的方法,其特征在于,若待评估对象和测评题目均为至少两个,则为每个测评题目构建一个第一评估模型;为每个待评估对象构建一个第二评估模型。
4.根据权利要求1所述的方法,其特征在于,根据所述实际作答情况,对第一评估模型和第二评估模型进行交叉迭代训练,包括:
根据所述实际作答情况和上一次训练更新的第二评估模型的模型参数,对所述第一评估模型进行本次训练,更新所述第一评估模型的模型参数;
根据所述实际作答情况和本次训练更新的第一评估模型的模型参数,对所述第二评估模型进行本次训练,更新所述第二评估模型的模型参数;
若本次训练更新的所述第二评估模型的模型参数不满足结束条件,则对所述第一评估模型和所述第二评估模型进行下一次训练。
5.根据权利要求4所述的方法,其特征在于,根据训练结果,确定所述待评估对象的能力水平,包括:
若本次训练更新的所述第二评估模型的模型参数满足结束条件,则根据本次训练更新的所述第二评估模型的模型参数,确定所述待评估对象的能力水平。
6.根据权利要求4所述的方法,其特征在于,若本次训练为第一评估模型的首次训练,则对所述第一评估模型进行本次训练之前,还包括:
对所述第一评估模型的模型参数和模型输入进行初始化处理,并将初始化处理后的模型输入作为本次训练第二评估模型的模型参数的初始化值。
7.根据权利要求4所述的方法,其特征在于,若第一评估模型和第二评估模型均为至少两个,则根据所述实际作答情况和上一次训练更新的第二评估模型的模型参数,对所述第一评估模型进行本次训练,更新所述第一评估模型的模型参数,包括:
针对每个第一评估模型对应的测评题目,根据各待评估对象对该测评题目的实际作答情况和各第二评估模型上一次对其对应的待评估对象训练更新的模型参数,对所述第一评估模型进行本次训练,更新所述第一评估模型的模型参数;
相应的,根据所述实际作答情况和本次训练更新的第一评估模型的模型参数,对所述第二评估模型进行本次训练,更新所述第二评估模型的模型参数,包括:
针对每个第二评估模型对应的待评估对象,根据该待评估对象对各测评题目的实际作答情况和各第一评估模型本次对其对应的测评题目训练更新的模型参数,对所述第二评估模型进行本次训练,更新所述第二评估模型的模型参数。
8.一种能力水平评估装置,其特征在于,包括:
测评题目确定模块,用于为待评估对象确定测评题目;
作答情况获取模块,用于获取所述待评估对象对所述测评题目的实际作答情况;
模型训练模块,用于根据所述实际作答情况,对第一评估模型和第二评估模型进行交叉迭代训练;其中,所述第一评估模型和所述第二评估模型的模型输出相同,模型输入和模型参数互换,所述第一评估模型和所述第二评估模型的数学表达式相同;
能力水平确定模块,用于根据训练结果,确定所述待评估对象的能力水平。
9.一种电子设备,其特征在于,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1-7中任一所述的能力水平评估方法。
10.一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1-7中任一所述的能力水平评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911320678.7A CN111062626A (zh) | 2019-12-19 | 2019-12-19 | 能力水平评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911320678.7A CN111062626A (zh) | 2019-12-19 | 2019-12-19 | 能力水平评估方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111062626A true CN111062626A (zh) | 2020-04-24 |
Family
ID=70302547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911320678.7A Pending CN111062626A (zh) | 2019-12-19 | 2019-12-19 | 能力水平评估方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062626A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111914176A (zh) * | 2020-08-07 | 2020-11-10 | 腾讯科技(深圳)有限公司 | 题目的推荐方法及装置 |
CN112786202A (zh) * | 2021-01-27 | 2021-05-11 | 安徽华米健康科技有限公司 | 健康意识参数的检测方法、装置、电子设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657559A (zh) * | 2017-08-25 | 2018-02-02 | 北京享阅教育科技有限公司 | 一种中文阅读能力测评方法及系统 |
CN107785056A (zh) * | 2017-11-23 | 2018-03-09 | 杭州变啦网络科技有限公司 | 减脂速度评估方法和系统 |
CN108550054A (zh) * | 2018-04-12 | 2018-09-18 | 百度在线网络技术(北京)有限公司 | 一种内容质量评估方法、装置、设备和介质 |
CN110060762A (zh) * | 2019-04-22 | 2019-07-26 | 北京师范大学 | 一种基于多因子量表数据的心理发展水平评估方法及系统 |
CN110363810A (zh) * | 2019-06-14 | 2019-10-22 | 北京百度网讯科技有限公司 | 建立图像检测模型的方法、装置、设备和计算机存储介质 |
CN110490778A (zh) * | 2019-08-21 | 2019-11-22 | 上海信立德教育科技集团有限公司 | 一种教师水平评估方法、装置、系统及存储介质 |
-
2019
- 2019-12-19 CN CN201911320678.7A patent/CN111062626A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657559A (zh) * | 2017-08-25 | 2018-02-02 | 北京享阅教育科技有限公司 | 一种中文阅读能力测评方法及系统 |
CN107785056A (zh) * | 2017-11-23 | 2018-03-09 | 杭州变啦网络科技有限公司 | 减脂速度评估方法和系统 |
CN108550054A (zh) * | 2018-04-12 | 2018-09-18 | 百度在线网络技术(北京)有限公司 | 一种内容质量评估方法、装置、设备和介质 |
CN110060762A (zh) * | 2019-04-22 | 2019-07-26 | 北京师范大学 | 一种基于多因子量表数据的心理发展水平评估方法及系统 |
CN110363810A (zh) * | 2019-06-14 | 2019-10-22 | 北京百度网讯科技有限公司 | 建立图像检测模型的方法、装置、设备和计算机存储介质 |
CN110490778A (zh) * | 2019-08-21 | 2019-11-22 | 上海信立德教育科技集团有限公司 | 一种教师水平评估方法、装置、系统及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111914176A (zh) * | 2020-08-07 | 2020-11-10 | 腾讯科技(深圳)有限公司 | 题目的推荐方法及装置 |
CN111914176B (zh) * | 2020-08-07 | 2023-10-27 | 腾讯科技(深圳)有限公司 | 题目的推荐方法及装置 |
CN112786202A (zh) * | 2021-01-27 | 2021-05-11 | 安徽华米健康科技有限公司 | 健康意识参数的检测方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li | Top management team characteristics and firm internationalization: The moderating role of the size of middle managers | |
US20190325773A1 (en) | System and method of providing customized learning contents | |
CN109934744B (zh) | 基于知识单元提供教育服务的方法、系统和计算机可读记录介质 | |
KR20200135892A (ko) | 사용자 맞춤형 학습 커리큘럼 추천 및 교육 컨텐츠 제공 시스템 및 방법 | |
CN111177413A (zh) | 学习资源推荐方法、装置和电子设备 | |
CN111651677B (zh) | 课程内容推荐方法、装置、计算机设备和存储介质 | |
KR102353906B1 (ko) | 유사도에 기반한 문제 추천 방법 및 문제 추천 서버 | |
WO2023279692A1 (zh) | 基于问答平台的数据处理方法、装置及相关设备 | |
CN112069329B (zh) | 文本语料的处理方法、装置、设备及存储介质 | |
CN111062626A (zh) | 能力水平评估方法、装置、设备及存储介质 | |
CN110209797A (zh) | 英语分级阅读材料自动推荐方法及装置 | |
CN110765362B (zh) | 一种基于学习情况相似度的协同过滤个性化学习推荐方法 | |
Abd Aziz et al. | The mediating effects of student satisfaction on technostress–performance expectancy relationship in university students | |
CN111047207A (zh) | 能力水平评估方法、装置、设备及存储介质 | |
CN111639860A (zh) | 一种基于数学模型的在线教育系统及其分班方法 | |
CN116204714A (zh) | 推荐方法、装置、电子设备及存储介质 | |
CN114662676A (zh) | 模型优化方法、装置、电子设备和计算机可读存储介质 | |
CN114528391A (zh) | 问答对评分模型的训练方法、装置、设备及存储介质 | |
US10949759B2 (en) | Identification of a series of compatible components using artificial intelligence | |
JP7091607B2 (ja) | 学習支援端末、学習支援サーバ、学習支援システム、学習支援方法、および学習支援プログラム | |
US8257091B2 (en) | Matching learning objects with a user profile using top-level concept complexity | |
CN112905435A (zh) | 基于大数据的工作量评估方法、装置、设备及存储介质 | |
CN115545674A (zh) | 一种人岗匹配检测方法、装置、设备以及存储介质 | |
CN113420898A (zh) | 驾校教学智能调度的方法、装置、电子设备和存储介质 | |
CN113506003A (zh) | 学生水平标签的确定方法、装置、设备及存储介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210817 Address after: Room 301-112, floor 3, building 2, No. 18, YANGFANGDIAN Road, Haidian District, Beijing 100089 Applicant after: Beijing Rubu Technology Co.,Ltd. Address before: Room 508-598, Xitian Gezhuang Town Government Office Building, No. 8 Xitong Road, Miyun District Economic Development Zone, Beijing 101500 Applicant before: BEIJING ROOBO TECHNOLOGY Co.,Ltd. |