CN111428992A - 一种基于自陈式测评的高中选科决策方法 - Google Patents

Abstract

本发明涉及教学与信息处理技术领域，尤指一种基于自陈式测评的高中选科决策方法，包括被测者进行自我测评、推导个人职业倾向、匹配大学专业分类、推导个人学科倾向、决策建议五个步骤，首先将自陈式测评中获得的兴趣偏好、性格特质结果进行个人职业倾向推导，然后再将个人职业倾向与大学专业分类进行匹配，从专业分类再推导出个人学科倾向，最终将个人学科倾向与自陈式测评中获得的学习情况的前三科作为一致性评判依据，并通过“五星制”展示出最终结果。与根据学习或兴趣来选科的方法相比，本发明在推导过程中产生与职业倾向、大学专业相关的信息，这些信息可以用于指导被测者进行职业生涯规划，从而更加明确自己选科的需求。

Description

一种基于自陈式测评的高中选科决策方法

技术领域

本发明涉及教学与信息处理技术领域，尤指一种基于自陈式测评的高中选科决策方法。

背景技术

自2018年起，全新的高考改革在全国各地陆续实施，高中从以前的“文理分科”走向更为人性化的选科模式“六选三”，人性化的选择带来了更多的可能性，但是由于高考的选科决策的机会只有一次，因此决策时如果没有做好充足的自身了解，以及对高考各大学专业的选科需求了解的话，就可能没法把这个决策做好。而高中选科决策是一项非常复杂的工作，在我国目前尚未建立“六选三”选科的科学成熟方法，并且对于学生和家长来说，不是每个人都有过多的精力去专门关注这么深入的信息，高一应该如何合理选科决策，因此建立一个易于实施，且容易被学生家长直接理解的选科信息决策方法，可以有效地克服各种个人的主观问题来了解自身，同时还能快速传达整个大学专业对选科需求的情况给学生和家长，深化大众对选科的认知和认识，实现个人优势的最优化就成为了当前亟待解决的问题。

自陈式测评是目前最为流行的人格测量技术，通常由一组精心设计的、结构式的、测量同一人格特质的题目所组成。题目分为两部分：一部分是题干，题干是对个人行为表现和心理感受的描述；另一部分是选项，选项则是对题干内容的回答与判定，有双选与多选之分。由于自陈式测评在人力资源领域已经有了较为成熟的使用，让人力资源得到合理的分配，而全新的高考选课制度中选科分配也有类似的情景，因此自陈式测评可让被测者通过诚实地答题得到各科目符合实际的推荐情况，使得被测者拿到一个符合自身内在兴趣能力倾向的合理结果。

发明内容

为解决上述问题，本发明提供一种基于自陈式测评的高中选科决策方法，能快速准确、客观全面、动态地协助被测者进行高中选科决策，解决了现在尚未有一个高效且科学的方法可以进行选科决策的问题。

为实现上述目的，本发明采用的技术方案是提供一种基于自陈式测评的高中选科决策方法，包括被测者进行自我测评、推导个人职业倾向、匹配大学专业分类、推导个人学科倾向、决策建议五个步骤，具体步骤如下：

自我测评：被测者完成一份自陈式测评，根据测评结果获得被测者的兴趣偏好、性格特质和学习情况；

推导个人职业倾向：对被测者获得的兴趣偏好和性格特质分别赋权，得到被测者的职业倾向得分；

匹配大学专业分类：对大学专业分类进行职业倾向的相关性分析，得到大学专业分类关于职业倾向度的“专业-职业倾向权重”矩阵，将被测者的职业倾向得分与“专业-职业倾向权重”矩阵相乘得到各个专业的专业匹配度；

推导个人学科倾向：首先，把各省份教育厅公开的“招生本科高校选考科目要求”数据进行转换，把原始数据中的选科要求数据变成六门科目的细分信息，得到某院校某专业的选科要求在该省份的科目重要性权重；然后，把被测者个人的专业匹配度与科目重要性进行哈达马乘积，并把选科需求信息中不同院校不同专业同一分类下的数据进行合并累加，得到专业倾向度；接着，取专业倾向度得分最高的前十个分类之和，作为主导科目倾向的专业分类，得到个人学科倾向度的原始值；最后，把个人学科倾向度中同一科目数据进行累加，并算出各科目之间的相对比例；将该比例与该省份的科目重要性权重相乘，得到最终的个人学科倾向标准化后的值；

决策建议：依据最终获得的个人学科倾向标准化后的值和被测者的学习情况的前三科的一致性情况，根据不同的匹配情况划定星数，采用“五星制”的方式表述。

本发明的有益效果在于：

相比较传统地根据学习或兴趣或职业倾向等单一选项来选科的方法，本发明通过自陈式测评来获得被测者的兴趣偏好、性格特质和学习情况，通过将兴趣偏好和性格特质依次进行个人职业倾向推导、大学专业分类匹配、个人学科倾向推导等一系列推导作业，最终将个人学科倾向与被测者当前学习情况进行匹配来获取不同星数的选科方案，星数最多的则为优选方案。

本发明能快速准确、客观全面地把握被测者的内在，同时使用客观的数据对其适合的学科进行选择，解决了当前高中选科决策高效方法的缺失的问题，从而提高了高中选科决策的科学性，为高中生提供了可靠有力的选科工具。

附图说明

图1是本发明的流程示意图。

图2是本发明在S5中的“五星制”评判标准示意图。

具体实施方式

下面结合附图和实例对本发明作进一步详细说明。

请参阅图1-2所示，本发明关于一种基于自陈式测评的高中选科决策方法，包括被测者进行自我测评、推导个人职业倾向、匹配大学专业分类、推导个人学科倾向、决策建议五个步骤。本发明是一个将原始的自陈式测评数据转变为选科决策结果的过程，以下将对每一个步骤进行详细的描述。

S1、被测者进行自我测评：被测者完成一份自陈式测评的题目，里面的内容主要涉及到个人的兴趣偏好、性格特质以及当前学习情况。

首先被测者进行自陈式测评，由于自陈式测评具有信息维度丰富、信息的真实性高和信息符合实际情况三大特点：自陈式测评从学生兴趣爱好和学生性格特质两个方向出发，爱好与性格基本把一个人的内在特质进行充分的描述，使得信息维度丰富；由于自陈式测评答题时间很短，减少人为干预的可能性，而且具有测谎维度，可以知道答题者的认真程度，只要不是有意不配合的人，都能得到较为真实的内在信息；选科最后是决定高考什么的过程，真实的学习情况影响学生的选择自由度，尽管内在特质可以更好地发掘一个人的潜能，但是可能有部分人在不合适的领域付出了很多的努力也渐渐得到了目的的效果，这些也是应该考虑的。因此，学生的实际情况信息包括当前各科目成绩以及各科目的排名信息。故被测者依据测评真实认真地答，为下一步推导个人职业倾向做好准备。

在本实施例中，被测者的兴趣偏好和性格特质是通过职业测评系统获得，具体的职业测评系统采用的是人啊人的T12职业兴趣测评系统，T12职业兴趣测评系统在MBTI(MBTI职业性格测试是国际最为流行的职业人格评估工具，作为一种对个性的判断和分析，是一个理论模型，从纷繁复杂的个性特征中，归纳提炼出4个关键要素——动力、信息收集、决策方式、生活方式，进行分析判断，从而把不同个性的人区别开来)的基础上，从“测+评”两方面结合，根据多维度的测评综合给出人员的优势领域、T12职业方向与D48内在能力。

通过T12职业兴趣测评系统测出m个兴趣偏好维度的得分H＝{h₁,h₂,h₃...h_i}(i∈N，且1≤i≤m)和n个性格特质维度的得分G＝{g₁,g₂,g₃...g_i}(i∈N，且1≤i≤n)；其中h代表每一项兴趣偏好维度，g代表每一项性格特质维度。

而被测者当前的学习情况，主要采用填写真实成绩和排名的方式进行记录，得到物理、化学、生物、思想政治、历史、地理共6个科目的优势趋势S_k(k∈(1～6))，其中k代表每一科目学科。

S1.5、在进行职业倾向推导之前，还需要用大数据对现有的兴趣偏好和性格特质的维度对职业倾向做相关性分析，得到转换赋权所需要的权重。

S2、推导个人职业倾向：对被测者获得的兴趣偏好和性格特质分别赋权，得到被测者的职业倾向得分T。

具体为：对于测评得到的兴趣偏好，性格特质信息进行差异化加权并求和；这里的加权信息是依据10000份不同测试者的测评数据，进行职业信息和答题数据做相关性分析得到的一个组向量。对于被测者的职业倾向得分，具体对应关系如下表示：

其中T代表职业倾向得分；t_ai(i∈N，且0≤i≤12)和t_bi(i∈N，且0≤i≤12)分别代表兴趣偏好、性格特质所对应的职业方向分量；H^T和G^T分别代表兴趣偏好维度和性格特质维度的得分矩阵的转置；W_H和W_G分别代表把兴趣偏好和性格特质转换为职业方向的权重向量。

在推导个人职业倾向时需要构建多套体系维度的对应关系，使用职业方向来描述兴趣偏好，性格特质，具体职业方向类型有事务型、操作型、技能型、规划型、发明型、艺术型、人文型、服务型、交际型、影响型、开拓型和管控型等12个大的职业方向中。这12个大的职业类型是一个从职业的角度描述个人内在的方法，然而每个人都具有多样性，这12个类型只是一种倾向度的形式，因此每个人都具有这12个类型，但是倾向度会因人而异。

由于职业是有了社会职能而形成的一个概念，所以职业优势并非可以直接通过测评得到，而是通过不同类型的职业对这些人的内在性格和兴趣方向做相关性分析进行关联。由此可得，需要一个人的职业倾向信息的话，可通过他的性格特质和兴趣偏好结合人群里的岗位相关性进行推导。

S2.5、在进行匹配大学专业分类之前，需要对教育局公开的大学专业分类进行数据转换，再针对大学专业信息及职业倾向的进行相关分析，得到各个大学专业对应不同职业倾向的“专业-职业倾向权重”矩阵Mt。

由于教育局公开的大学专业分类信息是按照“门类-分类-专业”这样三层关系进行公示的，专业多达上千条，处理起来量非常大，并且由于职业倾向在大学专业中并无法体现得十分细致，因此数据处理只需要去到分类这一层级。

我们需要针对分类进行职业倾向的相关性分析，仍然需要S2中的那10000份测评数据，以及这些人大学时候就读的专业信息进行分析，最后就可以得到大学专业分类关于职业倾向度矩阵Mt，使得Mt内某专业分类的职业倾向权重比例为mt＝{pt₁,pt₂,pt₃...pt₁₂}，且pt₁+pt₂+pt₃+...+pt₁₂＝100％。

S3、匹配大学专业分类：匹配时，将被测者的职业倾向得分T与“专业-职业倾向权重”矩阵Mt进行哈达马乘积，得到所有大学各个专业的专业匹配度Match：

其中n(n∈N)代表大学专业分类的总数目，最后专业分类依据匹配度从高到底进行排序。

S3.5、在进行推导个人学科倾向之前，还需要通过各省份教育厅公开的“招生本科高校选考科目要求”数据进行转换，把原始数据中的选科要求数据变成六门科目的细分信息，具体各个步骤分为：

a、梳理科目逻辑关系：将选科要求信息拆分为7个字段，依次为物理、化学、生物、思想政治、历史、地理进行科目逻辑关系梳理，即逻辑关系为“或”和“并”两种关系中的一种；

b、标记逻辑关系：在选科要求出现诸如“不提科目要求”、“不限选考科目”的情况下，给所有科目标记1，科目逻辑关系标记为“并”；在选科要求凡是出现“必选”、“均需”、“均须”字样的情况下，仅对选科要求中提到的科目标记为1，科目逻辑关系标记为“并”；在选科要求出现“其中”字样的情况下，对选科要求中提到的科目标记为1，科目逻辑关系标记为“或”；其中科目标记1表示此门科目可以被选；

c、逻辑关系转换为权重：对标记好逻辑关系的数据进行统计，得到权重，根据不同省份不同的选科政策要求进行转换，最后删掉逻辑关系信息，得到某院校某专业的选科要求在该省份的科目重要性权重Sw，

Sw_n＝{Sw_物理,Sw_化学,Sw_生物,Sw_历史,Sw_政治,Sw_地理}

其中n(n∈N)代表每一条选科需求。

由于专业分类获得的数据无法直接进行学科倾向推导，故从专业分类推导出学科倾向还需要一个桥梁，就是通过各省份教育厅公开的“普通高校本科专业选考科目要求”数据进行转换。

S4、推导个人学科倾向：用被测者所处省份的科目重要性权重Sw对个人专业匹配度Match进行哈达马乘积赋权，并把选科需求信息中不同院校不同专业同一分类下的数据进行合并累加，得到专业倾向度Sm＝Sw×Match；取专业倾向度Sm得分最高的前十个分类之和，作为主导科目倾向的专业分类，得到个人学科倾向度的原始值向量Ma；最后把个人学科倾向度Sw中的数据同一科目的进行累加，并算出各科目之间的相对比例，将该比例与个人学科倾向度的原始值向量Ma相乘，得到最终的个人学科倾向标准化后的值。

在原来的文理分科高考模式里，专业没有学科要求，只有简单的文理分数线区分。而在新的高考科目“六选三”模式下，各大高校有了对每个专业明确的“招生本科高校选考科目要求”，因此本发明中对这些数据进行了引入，让选科推荐的情况不仅仅是针对个人的内在，同时也契合各大高校对专业的学科要求，让推荐结果更具有可操作性。相比传统的方法，由于结合了新高考的数据，本方法的推荐结果也会更为具体且详细。

S5、决策建议：依据最终获得的个人学科倾向标准化后的值和被测者的学习情况的前三科的一致性情况，根据不同的匹配情况划定星数，采用“五星制”的方式表述。

根据不同的匹配情况划定星数，具体如图2的文字描述所示，前三科完全匹配则为5星；前三科匹配，但是位置不完全对上则为4.5星；当前三科有两科匹配时，测评结果有一科能对上成绩第一科则为4星、测评结果第一科在成绩第二或第三则为3.5星、其他情况则为3星；当前三科只有一科匹配时，中的是成绩里的第一科则为2.5星、第一科和第二科的过度情况则为2星、中的是成绩里的第二科则为1.5星、中的是成绩里的第三科则为1星、且仅有第三科完全匹配则为0.5星；一科都不中则为0星。

有了这些层级划分以后，决策建议就可以随着星数的上升而逐步提高建议的肯定性，从而让选科决策建议落到实处，并且让被测者充分考虑自身的实际情况。

决策建议是选科里的重要一环，简单地只推荐结果，会让选科决策无法落地。传统的选科工具由于只在意结果，而让信息变得太过简单，不具有可解释性和可执行性。本发明中的决策建议的作用是提高结果的信息丰富度，将被测者的当前成绩情况与答题推荐结果相结合，给出可参考性的建议，并通过多角度剖析让选科推荐的结果立体化、可实践化，提高信息的可靠性。

除了选科相关的信息外，原来推导过程中还产生了一些与职业倾向、大学专业相关的信息，这些信息可以用于指导被测者进行职业生涯规划，从而更加明确自己选科的需求。

以上实施方式仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通工程技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。

Claims (7)

1.一种基于自陈式测评的高中选科决策方法，其特征在于，包括如下步骤：

S1、自我测评：被测者完成一份自陈式测评，根据测评结果获得被测者的兴趣偏好、性格特质和学习情况；

S2、推导个人职业倾向：对S1中被测者获得的兴趣偏好和性格特质分别赋权，得到被测者的职业倾向得分T；

S3、匹配大学专业分类：对大学专业分类进行职业倾向的相关性分析，得到大学专业分类关于职业倾向度的“专业-职业倾向权重”矩阵Mt，将S2中被测者的职业倾向得分T与“专业-职业倾向权重”矩阵Mt相乘得到各个专业的专业匹配度Match；

S4、推导个人学科倾向，具体步骤如下：

a、用被测者所处省份的科目重要性权重对S3中获得的被测者个人的专业匹配度进行哈达马乘积赋权，并把选科需求信息中不同院校不同专业同一分类下的数据进行合并累加，得到专业倾向度；

b、取专业倾向度得分最高的前十个分类之和，作为主导科目倾向的专业分类，得到个人学科倾向度的原始值向量；

c、把个人学科倾向度中同一科目数据进行累加，并算出各科目之间的相对比例，将该比例与个人学科倾向度的原始值向量相乘，得到最终的个人学科倾向标准化后的值；

S5、决策建议：依据S4中最终获得的个人学科倾向标准化后的值和S1中被测者的学习情况的前三科的一致性情况，根据不同的匹配情况划定星数，采用“五星制”的方式表述。

2.根据权利要求1所述的一种基于自陈式测评的高中选科决策方法，其特征在于，在S1中，所述自陈式测评中关于个人的兴趣偏好、性格特质以及当前学习情况的具体内容如下：

a、兴趣偏好：通过职业测评系统测出m个兴趣偏好维度的得分H＝{h₁,h₂,h₃...h_i}(i∈N，且1≤i≤m)，其中h代表每一项兴趣偏好维度；

b、性格特质：通过职业测评系统测出n个性格特质维度的得分G＝{g₁,g₂,g₃...g_i}(i∈N，且1≤i≤n)，其中g代表每一项性格特质维度；

c、学习情况：采用填写真实成绩和排名的方式进行记录，得到物理、化学、生物、思想政治、历史、地理共6个科目的优势趋势S_k(k∈(1～6))，其中k代表每一科目学科。

3.根据权利要求2所述的一种基于自陈式测评的高中选科决策方法，其特征在于：在推导个人职业倾向之前，还需要用大数据对现有的兴趣偏好和性格特质的维度对职业倾向做相关性分析，得到转换赋权所需要的权重，具体对应关系如下表示：

其中T代表职业倾向得分；t_ai(i∈N，且0≤i≤12)和t_bi(i∈N，且0≤i≤12)分别代表兴趣偏好、性格特质所对应的职业方向分量；H^T和G^T分别代表兴趣偏好维度和性格特质维度的得分矩阵的转置；W_H和W_G分别代表把兴趣偏好和性格特质转换为职业方向的权重向量。

4.根据权利要求3所述的一种基于自陈式测评的高中选科决策方法，其特征在于：在进行匹配大学专业分类之前，需要对教育局公开的大学专业分类进行数据转换，再针对大学专业信息及职业倾向的进行相关分析，得到各个大学专业对应不同职业倾向的“专业-职业倾向权重”矩阵Mt。

5.根据权利要求4所述的一种基于自陈式测评的高中选科决策方法，其特征在于：在S3中，使得Mt内某专业分类的职业倾向权重比例为mt＝{pt₁,pt₂,pt₃...pt₁₂}，且pt₁+pt₂+pt₃+...+pt₁₂＝100％，之后专业匹配度Match的算法具体如下：

其中n(n∈N)代表大学专业分类的总数目。

6.根据权利要求1所述的一种基于自陈式测评的高中选科决策方法，其特征在于：在进行推导个人学科倾向之前，还需要先对各省份教育厅公开的“招生本科高校选考科目要求”数据进行转换，把原始数据中的选科要求数据变成六门科目的细分信息，得到某院校某专业的选科要求在该省份的科目重要性权重Sw，

Sw_n＝{Sw_物理,Sw_化学,Sw_生物,Sw_历史,Sw_政治,Sw_地理}

其中n(n∈N)代表每一条选科需求。

7.根据权利要求6所述的一种基于自陈式测评的高中选科决策方法，其特征在于，对各省份教育厅公开的“普通高校本科专业选考科目要求”数据进行转换的具体步骤包括：

a、梳理科目逻辑关系：将选科要求信息拆分为7个字段，依次为物理、化学、生物、思想政治、历史、地理进行科目逻辑关系梳理，即逻辑为“或”和“并”两种关系中的一种；

b、标记逻辑关系：在选科要求出现诸如“不提科目要求”、“不限选考科目”的情况下，给所有科目标记1，科目逻辑关系标记为“并”；在选科要求凡是出现“必选”、“均需”、“均须”字样的情况下，仅对选科要求中提到的科目标记为1，科目逻辑关系标记为“并”；在选科要求出现“其中”字样的情况下，对选科要求中提到的科目标记为1，科目逻辑关系标记为“或”；其中科目标记1表示此门科目可以被选；

c、逻辑关系转换为权重：对标记好逻辑关系的数据进行统计，得到权重，根据不同省份不同的选科政策要求进行转换，最后删掉逻辑关系信息，得到某院校某专业的选科要求在该省份的科目重要性权重Sw。

Images