CN111461153B - 人群特征深度学习方法 - Google Patents
人群特征深度学习方法 Download PDFInfo
- Publication number
- CN111461153B CN111461153B CN201910056180.8A CN201910056180A CN111461153B CN 111461153 B CN111461153 B CN 111461153B CN 201910056180 A CN201910056180 A CN 201910056180A CN 111461153 B CN111461153 B CN 111461153B
- Authority
- CN
- China
- Prior art keywords
- crowd
- behavior
- feature
- analysis
- characteristic
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人群特征测试技术领域,尤其涉及一种人群特征深度学习方法,该方法包括建立多种人群特征分类数据库,还包括以下步骤:1)对多种人群特征数据库与数据库分类模型比对形成六个维度相对的十二项行为类型,构建多种人群特征分类数据库,作为判断人群行为趋向;2)所述有效识别行为特征与多人群特征数据库比对,确定目标人员的人群特征类型,并更新多人群特征数据库;3)根据使用者不同应用场景,应用深度学习模型,优化人群特征数据库内形成适应使用者的深度学习数据库;4)根据人群不同行为特征,匹配相应的服务模式。为社会活动提供行为特征数据支撑,从而使各项宣传、营销动作,职场选拔、因人施教方面的匹配服务模式。
Description
技术领域
本发明涉及人群特征测试技术领域,尤其涉及一种人群特征深度学习方法
技术背景
人群特征是指在组成人群的因素中,能引发人们行为和主动引导人的行为,并使个人面对不同种类的刺激或者在不同的选择中都能做出相同反映的特征结构。目前互联网上或智能终端人群特征的预测方法普遍采用基于语音特征测试或采集测试人员反馈信息形式。
上述方法,存在测定效果受主观因素影响大、测定素材不便于获取等缺点,而且仅使用语音素材或者采集测试人员反馈信息预测人群特征的技术手段依然单调,不能全面客观的反映被测定人的特征,并且不能适用于人工智能或智能机器人需要对被测定人群特征的准确判定。
发明内容
针对现有技术对人群特征分析的不准确、信度效果不佳等问题,本发明提供一种适合快速准确判定被测定人员特征的人群特征深度学习方法。
根据本发明一种人群特征深度学习方法,包括通过网络技术获取的、现场测量技术测量的以及现有的人群特征数据结合建立多种人群特征分类数据库,其特征在于,还包括以下步骤:
1)对行为特征中接收信息、分析信息、处理信息以及处理与人相处、处理与人的信息沟通、感情交流这六个维度进行分类,构建数据库分类模型,对多种人群特征数据库与数据库分类模型比对在六个维度形成相对照的十二项行为类型,构建多种人群特征分类数据库,作为判断人群行为趋向;
2)通过现场情景测试获得目标人员在包括视觉、听觉、触觉一种或者多种仿真情景中呈现的行为特征、网络技术获取人群特征数据并测定目标人员行为特征以及目标人员自主选择行为特征,对不同方式获取的人员特征赋予不同权重,加权拟合获取的目标人员行的有效识别行为特征,所述有效识别行为特征与多种人群特征分类数据库比对,确定目标人员的人群特征类型,并更新多种人群特征分类数据库;
3)根据使用者不同应用场景,应用深度学习模型,调节不同方式获取的人员特征加权权重,并与多种人群特征分类数据库比对确定人员的人群特征类型,通过对测定效果时时反馈,优化多种人群特征分类数据库形成适应使用者的深度学习数据库;
4)根据人群不同行为特征,匹配相应的服务模式。
进一步地,信息网络技术包括不限于爬虫技术、图形识别技术、语音检测技术;
2.1)通过信息网络技术获取网络样本人员网络信息,通过包括图像、文字、视频、音频信息分析技术提取人员网络活动留下的行为特征,对测试人员行为特征进行分类;
2.2)现场情景测试包括利用现场测量技术,所述现场测量技术包括声音测量技术、面部动作测量技术、肢体动作测量技术,测量包括面部肌肉微动特征、眼球运动特征、语调特征、语音特征以及多场景回答认知特征中的任一种或者多种参数,并提取特征值并对特征进行分类。
2.3)对测量的分类技术特征并拟合优化,更新到多种人群特征分类数据库。
进一步地,步骤3)所述深度学习模型包括建立、模拟人脑进行分析学习的神经网络,通过对包括择优法、差值法、概率分布法一种或者多种方式分析调控加权权重。
进一步地,所述择优法为直接获取的现场样本人员的动态信息提取的行为特征、间接获取网络人员留下的不变的行为特征、获取现场样本人员中多场景回答的主观信息提取的特征权重依次降低的选择方式;所述差值法为是指通过对同一特征不同的测试方式进行比较,差值较小的作为测定特征;所述概率分布法为通过统计不同特征发生的概率,对于无法确定的行为特征进行概率分分类。
进一步地,所述六个维度十二项行为类型,分别为:根据包括面部表情分析、动作分析、词语选用分析,建立人群体验感情方面的关注自身、关注他人的第一维度行为特征类型;
根据包括面部原型滤波分析、文字图像比例分析,建立人群分析信息决定方面的理性分析、情感分析的第二维度行为特征类型;
根据包括肌肉紧张分析、眼动频率分析,建立人群处理做事方面的预设立场、不设立场第三维度行为特征类型;
根据包括词汇选用分析、行为倾向分析,建立人群获取信息方面的注重细节、注重概念第四维度行为特征类型;
根据包括词语调分析、音量分析,建立人群自我管理方面的悲观、乐观第五维度行为特征类型;
根据包括场景回答能力分析、面部微动作分析,建立人群面对他人情绪的委婉、直言不讳第六维度行为特征类型。
进一步地,对同一人的行为进行持续行为特征捕捉,不断评估和更新深度学习数据库,并分析人群行为趋势。
与现有技术相比,本发明具有以下有益效果:
1.本发明通过信息网络技术获取的样本人员客观不变的特征模型和通过现场测量获得现场人员近期可变的特征模型进行拟合合并,并结合对现有数据库进行行为特征分类,形成人群特征分类数据库,该数据库的涵盖了样本人员大量的网络留下的行为特征信息,较为准确减少了样本人员主观或者刻意行为影响判断的准确性,并且结合了样本人员现场的特征表现,更准确的获取样本人员的近期直接的行为表现,在拟合的过程中根据数据特征,结合两种数据的优势,使得多种人群特征分类数据库更为丰富准确可靠。可通过新浪微博、微信、QQ空间等线上的配合,快速、大量、有效地捕捉目标群体的行为特征,从而建立中国首个行为特征分类大型数据库,为社会活动提供行为特征数据支撑,从而使各项宣传、营销动作更精准、更有效,尤其职场选拔、因人施教方面的应用,在职场选拔通过数据库分析目标人员的行为特征,然后进行职位匹配或者相应的培训教育,使得员工能够胜任职位要求、出色完成任务;在因人施教方面,对不同行为特征的人匹配不同的教学和引导方式,能够最大限度的提高学生的接收能力、提高学习效率。
2.通过情景仿真测量和网络技术获取,获取目标人员现场行为特征集合和网络行为特征集合进行映射性有效识别,对识别的有效特征与多种人群特征分类数据库比对,并且通过使用者需要的或者更关注的行为特征类型,针对性的选择和反馈所需的行为特征,深度学习并配比不同特征权重,获取的信息更为准确、有效,针对性强,避免单一方面数据的误差被放大和无反馈信息产生的无效信息,使得目标人员的人群特征类型根据不同行业或者使用者的需求针对性的获取,形成独特的特征类型,便于匹配不同的服务模式。
3.本发明通过第一至第六维度的行为特征类型对获取的行为特征分类,六维度相对设立的行为特征类型,将人类语言、行为和6维12项指标相对应,使得人群行为特征的显象化。容易通过现有的技术进行区分,解决了行为特征分类难度的大问题,同时六种维度组成64类型的人群特征,能够较为详细准确的确定人员行为的特性,能引发人们行为和主动引导人的行为,能够准确判断个人面对不同种类的刺激或者在不同的选择中都能做出相同反映的特征结构。
4.本发明通过对行为特征的测定,确认被测定人员的行为特征进而形成应对策略,能够在较广阔领域应用,比如在教育方面,可以对不同行为特征的师生进行匹配优化学习教育,根据孩子的行为特征选择相应的家庭教育模式;在人力资源方面,在企业互联网营销及品牌个性化建立,以及客户与服务人员匹配方面能够应用!
附图说明
图1为实施例多维度人群特征测定方法的建模示意图。
表2数字化行为特征定位的标准图形0-15格编码结构。
表3数字化行为特征定位的标准图形16-30格编码结构。
表4数字化行为特征定位的标准图形31-45格编码结构。
表5数字化行为特征定位的标准图形46-63格编码结构。
具体实施方式
为进一步了解本发明的内容,结合附图和实施例对本发明作详细描述。应当理解的是,实施例仅仅是对本发明进行解释而并非限定。
本发明一种人群特征深度学习方法,包括通过网络技术获取的、现场测量技术测量的以及现有的人群特征数据结合建立多种人群特征分类数据库,其特征在于,还包括以下步骤:
1)对行为特征中接收信息、分析信息、处理信息以及处理与人相处、与人的信息沟通以及感情交流六个维度进行分类,构建数据库分类模型,对多种人群特征数据库与数据库分类模型比对形成六个维度相对的十二项行为类型,构建多种人群特征分类数据库,作为判断人群行为趋向;
2)通过现场情景测试目标人员行为特征、网络技术测定目标人员行为特征以及目标人员自主选择行为特征,对不同方式获取的人员特征赋予不同权重,加权拟合获取的目标人员行的有效识别特征,所述有效识别行为特征与多人群特征数据库比对,确定目标人员的人群特征类型,并更新多人群特征数据库;
3)根据使用者不同应用场景,应用深度学习模型,调节不同方式获取的人员特征加权权重,并与多人群特征数据库比对确定人员的人群特征类型,通过对测定效果时时反馈,优化人群特征数据库内形成适应使用者的深度学习数据库;
4)根据不同行为特征,匹配相应的服务模式。
接收信息、分析信息、处理信息以及处理与人相处、与人的信息沟通以及感情交流六方面进行分类,六个方面构成了人作为社会活动的一员对信息的接收和处理的过程和能力以及行为倾向,同时也包括人作为一个个体对自身理解和潜在的行为活动。通过对数据的采集和分析,利用深度学习模型对数据分类形成不同的人员特征类型,不同应用场景调整不同关注点和对不同行为特征进行加权拟合,形成独特的深度学习数据库,与不同的服务模式相配,输出较为针对性的服务。比如对儿童或者成人教育,通过服务对象所具有的人群特征类型选择不同的服务模式,并进行反馈更新数据。
进一步地,信息网络技术包括不限于爬虫技术、图形识别技术、语音检测技术;
2.1)通过信息网络技术获取网络样本人员网络信息,通过包括图像、文字、视频、音频信息分析技术提取人员网络活动留下的行为特征,对测试人员行为特征进行分类;
2.2)现场测量技术包括声音测量技术、面部动作测量技术、肢体动作测量技术,测量包括面部肌肉微动特征、眼球运动特征、语调特征、语音特征以及多场景回答认知特征中的任一种或者多种参数,并提取特征值并对特征进行分类。
2.3)对测量的分类技术特征并拟合优化,更新到多种人群特征分类数据库。
进一步地,所述情景仿真包括视觉、听觉、触觉呈现的仿真情景。
进一步地,所述深度学习模型包括建立、模拟人脑进行分析学习的神经网络,通过对包括择优法、差值法、概率分布法一种或者多种方式分析调控加权权重。所述择优法为直接获取的现场样本人员的动态信息提取的行为特征、间接获取网络人员留下的不变的行为特征、获取现场样本人员中多场景回答的主观信息提取的特征权重依次降低的选择方式;所述差值法为是指通过对同一特征不同的测试方式进行比较,差值较小的作为测定特征;所述概率分布法为通过统计不同特征发生的概率,对于无法确定的行为特征进行概率分分类。
进一步地,对行为特征中接收信息、分析信息、处理信息以及处理与人相处、与人的信息沟通以及感情交流六个维度十二项行为类型分别为:根据包括面部表情分析、动作分析、词语选用分析,建立人群体验感情方面的关注自身、关注他人的第一维度行为特征类型;
根据包括面部原型滤波分析、文字图像比例分析,建立人群分析信息决定方面的理性分析、情感分析的第二维度行为特征类型;
根据包括肌肉紧张分析、眼动频率分析,建立人群处理做事方面的预设立场、不设立场第三维度行为特征类型;
根据包括词汇选用分析、行为倾向分析,建立人群获取信息方面的注重细节、注重概念第四维度行为特征类型;
根据包括词语调分析、音量分析,建立人群自我管理方面的悲观、乐观第五维度行为特征类型;
根据包括场景回答能力分析、面部微动作分析,建立人群面对他人情绪的委婉、直言不讳第六维度行为特征类型。
进一步地,对同一人的行为进行持续行为特征捕捉,不断评估和更新深度学习数据库,并分析人群行为趋势。
通过网络爬虫技术、网络蜘蛛等现有的网络技术抓取网络样本人员的在网络上留下的痕迹,获取包括图像、文字、视频、音频信息以及个人浏览爱好,关注内容,或者与应用本技术相关的信息内容,通过对获取的信息的分析分类形成人员行为特征。比如,通过爬虫技术获得获得网络样本人员的在微信、微博、陌陌、Facebook以及qq等已经有的或者后来出现的社交平台发布的图像,利用现有的图像处理技术,提取图像定义不同表达方式,进行分类,形成人员行为特征。一种具体分析,定义网络样本人员发布的信息中,自拍照的人像占整个照片的比例,当被测定人像比例小于设定值(比如50%)将网络样本人员分类为T型信息传递型的,当被测定人像比例大于设定值(比如50%)将网络样本人员分类为F型传递情绪型。将不同被测定人员的网络信息进行抓取分类和对相同人员的不同信息(照片、文字、视频、音频以及关注事物、发表的评论)进行人员特征的分类,通过大量不断的数据采集,建立客观不变信息建模。另一种具体分析,搜集网络信息的网络样本人员发表的文字信息,获取网络样本人员的高频用词,及表达方式,与建立的词语数据库进行比较,对不同的词语进行分类处理,判断是理性类型还是感性类型等人群特征类型。
通过测量现场样本人员特征,包括面部动作特征、语调特征、语音特征、多场景回答认知特征以及人员着装特征中的任一种或者多种,对测试现场样本人员特征进行分类,建立客观可变信息样本模型。
现场测试现场样本人员时,通过与样本人员的交流,观察以及现场问答获得现场样本人员面部表情特征、语气语调音量特征、眼神动作特征、着装习惯特征等现场人员的特征,对测试样本现场人员特征进行分类,现场人员特征和网络人员特征分别设定相同的几种类型。具体地,其中一种现场人员特征的测定比如声音测试,让现场样本人员朗读或者与样本人员交流获得现场样本人员的音频信息,分析音频声音震荡波形,并计算出音频震荡的峰值MAX和均值AVG,峰值MAX-均值AVG>A值定义为激情样本,峰值MAX-均值AVG<A值定义为平静样本。其中A值优选选择20dB。
另一具体分析,面部动作特征分析通过面部原型滤镜等现有的技术观测现场样本人员包括眼动轨迹参数、面部肌肉运动等生理或者行为信息,将不同的信息分类,定义不同的特征类型,统计记录在客观可变信息样本内。
多种人群特征分类数据库的形成是通过大量的客观不变信息模型和客观可变信息样本模型数据积累,并利用正态分布、逻辑回归方法等拟合优化,在拟合过程中测定人员信息数据有限时可以首先以网络人员行为特征建立的客观不变信息模型为主与现场人员特征建立客观可变信息样本模型的进行优化拟合,当进行大量数据采集时可以逐渐回归到以客观可变信息样本模型为主的数理统计学拟合。
所述情景仿真包括视觉、听觉、触觉呈现的仿真情景,采集目标人员的面部表情、语气语调、眼动、音量、行为倾向以及肢体语言的参数并提取目标人员的行为特征。
维度信息网络技术包括不限于爬虫技术、图形识别技术、语音检测技术。通过现有的网络技术搜集捕捉,被测试人员的相关信息,能够更全面的分析、了解人员行为的特征和潜移默化的行为特征趋势。
所述情景仿真包括视觉、听觉、触觉呈现的仿真情景。通过现有的行为人在社会活动中的场景,测量其表现和反应,测得的数据更接近行为人在社会实践中的真实表现和行为趋向。当然,现有技术的中包括心跳测量仪、面部表型维度步骤3)所述的拟合优化包括择优法、差值法、概率分布法一种或者多种;所述择优法为现场样本人员特征中直接获取的客体动态信息提取的特征、间接获取网络人员行为特征、现场样本人员特征中多场景回答获取的客体主观信息提取的特征权重依次降低的选择方式;所述差值法为是指通过对同一特征不同的测试方式进行比较,差值较小的作为测试定特征;所述概率分布法通过统计不同特征发生的概率,对于无法确定行为特征通过概率分布法进行分类。
人群行为分为不同维度相对设置特征类型,作为判断人员在一行为中相对的行为活动的选择。人群行为分为不同维度相对设置特征类型,作为判断人员在一行为中相对的行为活动的选择。对信息交流接收行为、感情交流分析行为、处理自我以及社会关系行为的相对特征分为六个维度相对的12项行为类型,分别为:根据包括面部表情分析、动作分析、词语选用分析,建立人群体验感情方面的关注自身、关注他人的第一维度行为特征类型;
根据包括面部原型滤波分析、文字图像比例分析,建立人群分析信息决定方面的理性分析、情感分析的第二维度行为特征类型;
根据包括肌肉紧张分析、眼动频率分析,建立人群处理做事方面的预设立场、不设立场第三维度行为特征类型;
根据包括词汇选用分析、行为倾向分析,建立人群获取信息方面的注重细节、注重概念第四维度行为特征类型;
根据包括词语调分析、音量分析,建立人群自我管理方面的悲观、乐观第五维度行为特征类型;
根据包括场景回答能力分析、面部微动作分析,建立人群面对他人情绪的委婉、直言不讳第六维度行为特征类型。
所述拟合优化包括将客观不变信息建模和客观可变信息建模的各自第一维度行为特征、第二维度行为特征、第三维度行为特征、第四维度人群特征、第五维度行为特征、第六维度行为特征分别比较,加权拟合,形成多种人群特征分类数据库。
选取多种人群特征分类数据库中第一至第六维度相对的行为特征各一特征,组合建立64类型的人群特征。
通过量表问卷测试,进行行为人的主观有效识别,识别结果与64类型的人群特征比对,确定行为人的人群特征。
还包括步骤7)通过步骤6)获得的所述客观有效参数与多人群特征数据库所述拟合优化,更新人群特征数据库。
在六维人群行为特征中,向对的12项指标中,不同维度的特征各取一个组成64类型的人群行为特征,比如:
六维行为特征类型:ENTJGZ组合,形成接受信息宏观定性概念型,分析信息是注重逻辑数据型,处理信息预设立场竞争型面对自我抓住机遇是外露型,面对选择倾向冒险高欲型,面对他人处事实在是直言型。
行为特征特质:一种很自然的看法是把行为特征当作许多个别特点的组合。对一个人的描述如能确实代表此人在某种情境下的行为特点,而且它也预示在另外的场合下他将会怎样表现。这种行为的一致性和倾向性可概括为某人的行为特征结构,即特质,它是行为特征最基本的测量单元,也是行为不同于他人又相似于他人的原因。特质在刺激反应的功能变化上甚为重要,许多刺激可因某些特质的存在而在功能上等值起来,而且反应也有了一致性,即个体对不同种类的刺激以相同方式进行回答。
行为特征在学习中不断变化:学习是行为特征形成的决定因素。目前社会学习的作用在行为特征形成上尤其受到重视。个人和环境彼此影响,每个人的行为特征特点是个人和情境变量持续相互作用的结果。在生长过程中遇到的学习经验的差异就是个别差异的原因。
构建行为特征教练系统的设计原则:采用“结果导向”设计原则,首先决定什么才是最满意的或完美的学习效果,再决定采用何种指标通过何种手段评估结果,最后制作教程使学生达到学习目的。
教练目的设计:完美的学习效果包括掌握行为特征定位导航知识要点,熟练运用行为特征管理技术解决实际问题,达成人际互动目的。
结果评测设计:评价指标体系包括正确判定6维12种行为特征行为指标(包括合作/竞争,表白/自持,现实/理想,仁信/礼仪,低欲/高欲,聪明/通达)得3分,建立行为特征导向的问题解决方案得5分,达成人际互动目的得2分(满分为10分)。
教练流程设计:包括理论教学课程设计和实践应用训练设计。
第一步:制作理论学习课件,学习基本概念,理论要点,应用案例(知识认知)。
第二步:制作影视训练课件,“听其言,观其行”;迅速辨识人的个性特征(行为特征认知)。
第三步:制作行为特征导向的问题解决方案,从仿真场景实践应用(能力认知)。
第四步:拟定目标,达成人际互动目的,从学习工作生活场景实践应用(才干认知)。
构建人群特征信息系统包括:建立软件设计文档:软件研发计划,软件开发工具,软件原程序,软件说明书,著作证。
建立多媒体数据库:数据库,图片库、影音库,素材库。
建立教学引擎:包括教程编辑引擎和学习管理引擎。教程编辑引擎提供“教程设计师”编辑制定电子化教学内容如编写计划,指导手册,游戏节目,模拟训练场景。学习管理引擎提供讲师助教管理学员注册签到、记录学习业务进度、评估学习训练结果等。
建立训练引擎:支持计算机网络控制的各种外部设备如灯光、音效、背景、物流、信号等传感器状态指令中央控制器。比如:深夜街道女子求救场景模拟。
建立运营引擎:支持客户关系管理包括潜在客户跟踪、准客户服务、顾客售后服务。业务推广计划管理如广告业务、出版业务、展会业务、培训业务、案场驻点业务、论坛业务、院校实验室合作业务、科技项目申请业务等。支持企业办公OA系统。
构建人群特征应用系统集成设计:知识管理,课程管理,学习管理,实践管理,行为特征定位导航。
业务拓展商业模式设计:集网络创作、网络表演、网络制作天赋之大成。
设计原则:充分利用网络资源的优势,力争全民参与,全网动员,全球资源共享,全景行为特征展示;集网络创作高手、网络表演高手、网络制作高手天赋之大成,给所有人实现明星梦想的机会,给所有人用生活表现赚钱的机会,把行为特征特型组织为一系列的战略事业单元,把社会变成我们的大公司,充分的利用5G机遇,创造出我们期待的爆炸性网络业务拓展商业模式。
系统架构设计:互联网在线教育系统总体架构设计:包括知识管理系统,课程管理系统,学习管理系统和实践管理系统,价值评估系统五个子系统组成。
知识管理系统包括建立机构的所有文件存储和提取机制,如报告、案例、手册、图表、照片、幻灯片、录音、影像、证件等信息的存储、分类、识别、权限管理,保密等级,提取程序。
课程管理系统包括教育规划,系统结构的整体性,系统的目的与目标,设置专业学科,组织制作课程,建立课程标准,常规的导航,图形处理、录音层次、影像制式,影音格式、数据收集、工作绩效记录和管理、报告要求等。
学习管理系统包括组织学习资料(如网上只读光盘、网络演练、影视资料等,网下的录影带、自学辅导材料、讲座等),管理学习行为(列出课程表、连接学习者与课程、智能管理跟踪和报告绩效表现数据等),记录学习者特点(技能、知识、年龄、性别等)。
实践管理系统包括连锁服务机构的组织结构、人员、业务、客户、绩效、科研、培训等。
价值评估系统包括成本与收益分析,投资收益率分析(学习价值和能力价值的测量)。
互联网在线教育团队架构设计:课题专家(客户经理,行为特征分析师、生产经理),软件工程师(系统架构师、硬件人员、软件程序员、电脑美工),多媒体专员(演员、配音师、摄影师、摄像师),教程设计师,讲师及助教,学员。
互联网在线教育内容架构设计:关键词(大学,一组教程,一门课程,一节课程,课程结构)。
课程结构包括,教课之前的活动(集中学习者的注意力,告知学习内容,协助建立学习关系),教课之中的活动(提供学习内容,提供学习策略和技巧帮助巩固和运用知识,提供练习和回馈),教课之后的活动(考评学习结果,提供策略和技巧帮助学习者将知识转化为才干)。
课程的生命周期管理包括:创意阶段、发布阶段和支持阶段。系统评估。
创意阶段包括分析(学习者,环境,教程,计算机配置及网络带宽等发送条件,时间人力财力等制约条件)、设计(宏观设计、快速模型、细节设计)、开发与测试(学习单元设计、制作、来自程序员、教程设计师、课题专家、实验室测试和实地测试全面的质量保证测试)。
发布阶段包括推广(宣传、庆祝、售后服务)、发布(推或拉的策略发布与获得)、实施(控制、监管、辅助)。
支持阶段包括计划中的改进(内容更新扩展与版本功能升级)、计划外的改进、退出。
系统评估:包括创意阶段的构成性评估,发布阶段的总结性评估,支持阶段的维护性评估及全过程的程序性评估。
基本概念架构:互联网在线教育(是使用电子科技来实现教育与培训项目,追踪绩效表现和报告学习者进展情况的一种方式)。基本概念包括:评估,制造工具,设计文件,教程设计师,学习管理系统,学习对象,动员,质量保障,标准,软件种类。
多媒体知识库架构:关键词(理论体系,案例体系,演示体系,素材体系)。
教练信息系统架构:关键词(SPA教学引擎,SPA训练引擎,SPA知识引擎)。
人机互动仿真场景架构:关键词(作业流程设计,节目内容设计)。
行为特征影院推广系统架构:关键词(媒体传播设计包括,客户体验设计包括地产销售、汽车销售、总裁教练、医患教练)。
人群特征六维度知识教练系统,包括构建:
知识管理系统:归纳整理集中存储国内外有关心理学的各种理论模型,知识要点,基本概念,基本观点,理论框架。收集编辑积累各种心理学的应用案例模型,各种培训方案集锦。行为特征导航仪的结构使用说明。64型行为特征的15种语言的翻译资料模型包括八卦原型、数字化行为特征、图形化行为特征、拟人化行为特征、情节化行为特征、行为特征剧本等。各种图片、照片、录音、影视资料分类索引汇总。
行为特征查询系统:用于对64型行为特征的15种语言的翻译资料模型包括八卦原型、数字化行为特征、图形化行为特征、拟人化行为特征、情节化行为特征、行为特征剧本集,12张行为列表,64型行为特征权重配置,6种情绪导航影视资料的系统展示与查询。
专家配置管理系统:包括课程管理和学习管理。系统设置专业课程,设计理论学习课件,设计影视训练课件,设计人际互动目的和提出行为特征问题导航方案,开展行为特征定位导航的能力测评,记录学习过程进度及绩效表现。
行为特征定位导航系统:包括创意阶段、发布阶段、支持阶段和系统评估。训练流程分为二维行为特征定位导航(初级)、四维行为特征定位导航-MBTI导航(中级)、六维行为特征定位导航-SPA导航训练(高级)。创意阶段分析(学习者,环境,教程,计算机网络条件,时间人力财力等制约条件)、设计(宏观设计、快速模型、细节设计)、开发与测试(学习单元设计、制作、实验室测试和实地测试、质量保证测试)。发布阶段包括推广(宣传、庆祝、售后服务)、发布(推或拉的策略发布与获得)、实施(控制、监管、辅助)。支持阶段包括计划中的改进(内容更新扩展与版本功能升级)、计划外的改进、退出。系统评估:包括创意阶段的构成性评估,发布阶段的总结性评估,支持阶段的维护性评估及全过程的程序性评估。
运营管理系统:连锁服务机构的组建与管理模式,案场的顾问计划,案场的绩效评测方案,院校科研合作项目管理,建立各行各业的SPA知识教练系统如地产销售、汽车销售、总裁培训、医疗服务等。建立不同行业的投资收益分析系统。
教练流程开发:包括知识认知,行为特征认知,能力认知,才干认知四个步骤。
知识认知:学习掌握基本概念,学习总结理论要点,研讨解读应用案例,比较心理学分析模型。
行为特征认知:“听其言,观其行”练习,迅速辨识人的个性特征,强化行为特征识别能力,行为特征定位标准化。
能力认知:制作行为特征导向的不同行业的问题解决方案,从仿真场景实践应用,从影视观摩跟踪能力表现,行为特征导航标准化。
才干认知:拟定执业教练目标,达成人际互动目的,从学习工作生活场景实践应用,才干的定性与定量,体现学习者的进步。
知识体系开发包括:流程开发(知识、行为特征、能力、才干的系统认知过程),内容开发(巴普洛夫理论,佛洛依德理论,荣格理论,姜祖桐理论,其他心理学理论模型),质量控制(基本概念,理论模型,理论核心观点,主要应用领域,理论的发展史)。
信息系统开发包括:原型开发(一个简单的SPA知识教练系统原理演示版本),原型拓展(跨行业应用拓展,跨语言种类应用拓展),演示系统(地产销售演示系统,汽车销售演示系统,医疗服务演示系统),商业系统(基于工作流管理和完整的多媒体数据库的门户网站),连锁服务系统(连锁公司,连锁案场,连锁培训)。
训练系统开发包括:概念训练(概念问答积分游戏,图形识别积分游戏,行为特征拟人化识别积分游戏),逻辑训练(故事情节行为特征类型行为标记游戏,),视听强化(行为特征剧本创作与发布功课),案场训练(案场设计与行为特征类型的关注点系统分析,达成案场人际互动目的的路径设计,案场话术编辑)。
推广系统开发包括:SPA六维行为特征分析,天赋甄别,让孩子认识自己,从小清楚自身性格优势,发掘孩子天赋,找到孩子的人生支点,成为未来社会的人生赢家;赋能家庭,让夫妻自由快乐,改善亲子关系,树立家庭20年奋斗小目标。
WAS天赋才干模型,教育目标设置,家长与孩子共同设计独一无二的「才艺特长」、「学科成绩」、「人际智慧」蓝图;建立灵活、动态、整体教育投资发展战略方案。
64行为特征动力模型,路径改善。家长在决定顺利实现目标的路径之前,任务支持,家长必须帮助孩子组合资源、预算以及其他有助于完成任务的因素,消除有碍孩子发展的环境限制,表现出积极的影响,并且对有效的努力和成绩给予及时认可:心理支持,家长必须刺激孩子乐于从事学习。
SELF行为特征动力模型,家庭教育模式与沟通方法。对父母进行角色扮演训练,立竿见影地提升学生对家长亲密度和依从性;建立行为习惯黄金表,激发学生内在心理动力机制,培养超越万人的优势行为能力
GOPAIR算法,个性天赋与场景应用。结合性格大数据库,依据GOPAIR行为特征场景应用模型,对学员提供选课、报考专业、职业、婚恋、理财、创业等最佳场景匹配服务;结合自身优势、抓住外在机遇,规避分析和劣势,有效缩短成才周期。
行为特征匹配的一种产品开发应用,包括五个步骤:
第一步:行为特征定位数字化(64型数字化行为特征索引),对六维12项行为特征转化成二进制,在转化成十进制。进行科学定义和标准化甄别,对行为特征进行命名。
第二步:行为特征定位图形化(行为特征图案造型标识),如图2-5所示,目的:以独立和专用的图形图案对复杂变化的64型行为特征进行定位描述,让隐秘的行为特征可以看见和容易识别,便于学习、交流和记忆。便于人际沟通和进行行为特征呵护与行为特征导航,建立完善行为特征管理体系,张扬行为特征的优势,避免行为特征冲突与行为特征矛盾。
第三步:行为特征定位拟人化(公众人物原型定位行为特征识别模板),目的:以明星及公众人物主导的新闻事件为素材,利用公众人物在媒体上所呈现的典型的行为元素特征对64型行为特征进行拟人化注解,使行为特征定位技术与社会生活紧密融合与时俱进,建立形象生动的行为特征识别模板。
第四步;行为特征定位情节化(故事情节原型定位行为特征训练模板),目的:以古今中外的影视戏剧作品为素材,以故事情节为单元抽取生活化的行为特征样本片段,表现不同行为特征的生活形态,在样本片段中标记不同行为特征的行为元素组成训练模板。
第五步:行为特征定位剧本化(行为特征剧本原型定位行为特征情绪导航模板),目的:根据SPA心理学知识体系,通过创作典型行为特征剧本影视作品,展现特定行为特征在不同情绪压力下的情绪变化规律和规则,表演各种行为特征的情绪轨迹,构成行为特征情绪导航教学训练和培训模板。
其中,第一步行为特征定位数字化(64型数字化行为特征索引),如表1-3所示,目的:将八卦符号和古文字注解联合转变为二进制符号,再将二进制值转变为十进制值,突破文化符号的读写困难,便于计算机统一识别。对六维12项行为特征行为指标进行科学定义和标准化甄别,对行为特征进行命名。
表1-数字化编码顺序(十进制)
0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
1 | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
2 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 |
3 | 16 | 17 | 18 | 19 | 20 | 21 | 22 | 23 |
4 | 24 | 25 | 26 | 27 | 28 | 29 | 30 | 31 |
5 | 32 | 33 | 34 | 35 | 36 | 37 | 38 | 39 |
6 | 40 | 41 | 42 | 43 | 44 | 45 | 46 | 47 |
7 | 48 | 49 | 50 | 51 | 52 | 53 | 54 | 55 |
8 | 56 | 57 | 58 | 59 | 60 | 61 | 62 | 63 |
表2-六维12项行为特征行为指标
合作/竞争 | 情感/数据 | 细节/概念 | 直言/艺术 | 低欲/高欲 | 外露/内秀 |
P/J | F/T | S/N | Z/Y | D/G | E/I |
表3-六维12项行为特征行为指标的标准定义
/>
/>
/>
行为特征定位法,人性的动机规定了行为特征。
受试者首先根据自身在舒适状态下的行为偏好倾向进行自我判定。
利用行为特征定位导航仪的罗盘逻辑系统导引,从求生到求知逆时针依次提取○(代表0)或●(代表1)元素组成0到63之间的某个二进位制数。参照图中的定位权重值,进行加法运算,计算出行为特征唯一的定位值(既行为特征定位编号)。
行为特征定位导航仪,行为特征定位精度为:64格。
行为特征定位编号从0到63,读出行为特征编号进行行为特征识别。
例1:合作、自持、现实、仁信、低欲、聪明的行为特征定位编号是:101111=32+8+4+2+1=47(读作47格)。
例2:竞争、表白、理想、礼仪、低欲、通达的行为特征定位编号是:010010=16+2=18(读作18格)。
情绪压力引起人的内禀格变化,首先改变注意方式,然后改变行动方式,最后改变决定方式。
第二步:行为特征定位图形化(行为特征图案造型标识),目的:以独立和专用的图形对复杂变化的64型行为特征进行定位描述,让隐秘的行为特征可以看见和容易识别,便于学习、交流和记忆。便于人际沟通和进行行为特征呵护,建立完善行为特征管理体系与行为特征护理模式,张扬行为特征的优势,避免行为特征冲突与行为特征矛盾。
第三步:行为特征定位拟人化(公众人物原型定位行为特征识别模板),目的:以领袖、明星及公众人物主导的新闻事件为素材,利用公众人物在媒体上所呈现的典型的行为元素特征对64型行为特征进行拟人化注解,使行为特征定位技术与社会生活紧密融合与时俱进,建立形象生动的行为特征识别模板。
第四步:行为特征定位情节化(故事情节原型定位行为特征训练模板),目的:以古今中外的影视戏剧作品为素材,加上故事原有的情节,还原明星性格模板,通过不同的人物原象,找准精准的性格模板。
第五步:行为特征定位剧本化(行为特征剧本原型定位行为特征情绪导航模板),目的:根据SPA心理学知识体系,通过创作典型行为特征剧本影视作品,展现特定行为特征在不同情绪压力下的情绪变化规律和规则,表演各种行为特征的情绪轨迹,构成行为特征情绪导航教学训练和培训模板,找准孩子的性格模板,对孩子进行不同的定位分析,匹配更好的学习老师。
Claims (6)
1.一种人群特征深度学习方法,包括通过网络技术获取的、现场测量技术测量的以及现有的人群特征数据结合建立多种人群特征分类数据库,其特征在于,还包括以下步骤:
1)对行为特征中接收信息、分析信息、处理信息以及处理与人相处、处理与人的信息沟通、感情交流这六个维度面进行分类,构建数据库分类模型,对多种人群特征数据库与数据库分类模型比对在六个维度上形成相对照的十二项行为类型,构建多种人群特征分类数据库,作为判断人群行为趋向;
2)通过现场情景测试获得目标人员在包括视觉、听觉、触觉一种或者多种仿真情景中呈现的行为特征、网络技术获取目标人员网络活动留下的行为特征以及目标人员自主选择行为特征,对不同方式获取的人员特征赋予不同权重,加权拟合获取的目标人员的有效识别行为特征,所述有效识别行为特征与多种人群特征分类数据库比对,确定目标人员的人群特征类型,并更新多种人群特征分类数据库;
3)根据使用者不同应用场景,应用深度学习模型,调节不同方式获取的人员特征加权权重,并与多种人群特征分类数据库比对确定人员的人群特征类型,通过对测定效果实时反馈,优化多种人群特征分类数据库形成适应使用者的深度学习数据库;
4)根据人群不同行为特征,匹配相应的服务模式。
2.根据权利要求1所述的人群特征深度学习方法,其特征在于,信息网络技术包括不限于爬虫技术、图形识别技术、语音检测技术
2.1)通过信息网络技术获取网络样本人员网络信息,通过包括图像、文字、视频、音频信息分析技术提取人员网络活动留下的行为特征,对测试人员行为特征进行分类;
2.2)现场情景测试包括利用现场测量技术,所述现场测量技术包括声音测量技术、面部动作测量技术、肢体动作测量技术,测量包括面部肌肉微动特征、眼球运动特征、语调特征、语音特征以及多场景回答认知特征中的任一种或者多种参数,并提取特征值并对特征进行分类;
2.3)对测量的分类特征拟合优化,更新到多种人群特征分类数据库。
3.根据权利要求1所述的人群特征深度学习方法,其特征在于,步骤3)所述深度学习模型包括建立、模拟人脑进行分析学习的神经网络,通过对包括择优法、差值法、概率分布法一种或者多种方式分析调控加权权重。
4.根据权利要求3所述的人群特征深度学习方法,其特征在于,所述择优法为直接获取的现场样本人员的动态信息提取的行为特征、间接获取网络人员留下的不变的行为特征、获取现场样本人员中多场景回答的主观信息提取的特征权重依次降低的选择方式;所述差值法为是指通过对同一特征不同的测试方式进行比较,差值较小的作为测定特征;所述概率分布法为通过统计不同特征发生的概率,对于无法确定的行为特征进行概率分分类。
5.根据权利要求4所述的人群特征深度学习方法,其特征在于,所述六个维度相对的十二项行为类型,分别为:根据包括面部表情分析、动作分析、词语选用分析,建立人群体验感情方面的关注自身、关注他人的第一维度行为特征类型;
根据包括面部原型滤波分析、文字图像比例分析,建立人群分析信息决定方面的理性分析、情感分析的第二维度行为特征类型;
根据包括肌肉紧张分析、眼动频率分析,建立人群处理做事方面的预设立场、不设立场第三维度行为特征类型;
根据包括词汇选用分析、行为倾向分析,建立人群获取信息方面的注重细节、注重概念第四维度行为特征类型;
根据包括词语调分析、音量分析,建立人群自我管理方面的悲观、乐观第五维度行为特征类型;
根据包括场景回答能力分析、面部微动作分析,建立人群面对他人情绪的委婉、直言不讳第六维度行为特征类型。
6.根据权利要求1-5任一项所述的人群特征深度学习方法,其特征在于,对同一人的行为进行持续行为特征捕捉,不断评估和更新深度学习数据库,并分析人群行为趋势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910056180.8A CN111461153B (zh) | 2019-01-22 | 2019-01-22 | 人群特征深度学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910056180.8A CN111461153B (zh) | 2019-01-22 | 2019-01-22 | 人群特征深度学习方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111461153A CN111461153A (zh) | 2020-07-28 |
CN111461153B true CN111461153B (zh) | 2023-08-04 |
Family
ID=71682163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910056180.8A Active CN111461153B (zh) | 2019-01-22 | 2019-01-22 | 人群特征深度学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111461153B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112241683B (zh) * | 2020-09-16 | 2022-07-05 | 四川天翼网络服务有限公司 | 一种同行人员识别判断方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003015056A2 (en) * | 2001-08-09 | 2003-02-20 | Visual Interaction Gmbh | Automated behavioral and cognitive profiling for training and marketing segmentation |
CN105022929A (zh) * | 2015-08-07 | 2015-11-04 | 北京环度智慧智能技术研究所有限公司 | 一种人格特质值测验的认知准确度分析方法 |
JP2018005261A (ja) * | 2016-06-27 | 2018-01-11 | 株式会社リコー | フィードバック装置、フィードバック方法およびプログラム |
CN108320253A (zh) * | 2018-03-23 | 2018-07-24 | 封玲 | 学科与专业教育测评系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7207804B2 (en) * | 1996-03-27 | 2007-04-24 | Michael Hersh | Application of multi-media technology to computer administered vocational personnel assessment |
US20070254270A1 (en) * | 1996-03-27 | 2007-11-01 | Michael Hersh | Application of multi-media technology to computer administered personal assessment, self discovery and personal developmental feedback |
US20120002848A1 (en) * | 2009-04-16 | 2012-01-05 | Hill Daniel A | Method of assessing people's self-presentation and actions to evaluate personality type, behavioral tendencies, credibility, motivations and other insights through facial muscle activity and expressions |
KR20110002757A (ko) * | 2009-07-02 | 2011-01-10 | 삼성전자주식회사 | 감성 모델 장치, 감성 모델의 성향 학습 장치 및 방법 |
US10127522B2 (en) * | 2011-07-14 | 2018-11-13 | Excalibur Ip, Llc | Automatic profiling of social media users |
JP5785869B2 (ja) * | 2011-12-22 | 2015-09-30 | 株式会社日立製作所 | 行動属性分析プログラムおよび装置 |
US20160063144A1 (en) * | 2012-09-28 | 2016-03-03 | Gordon Cooke | System and method for modeling human crowd behavior |
KR101524971B1 (ko) * | 2014-02-11 | 2015-06-02 | 숭실대학교산학협력단 | 개인 성향 예측 방법 및 그 장치 |
WO2017024845A1 (en) * | 2015-08-07 | 2017-02-16 | Beijing Huandu Institute Of Wisdom-Mind Technology Ltd. | Stimulus information compiling method and system for tests |
-
2019
- 2019-01-22 CN CN201910056180.8A patent/CN111461153B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003015056A2 (en) * | 2001-08-09 | 2003-02-20 | Visual Interaction Gmbh | Automated behavioral and cognitive profiling for training and marketing segmentation |
CN105022929A (zh) * | 2015-08-07 | 2015-11-04 | 北京环度智慧智能技术研究所有限公司 | 一种人格特质值测验的认知准确度分析方法 |
JP2018005261A (ja) * | 2016-06-27 | 2018-01-11 | 株式会社リコー | フィードバック装置、フィードバック方法およびプログラム |
CN108320253A (zh) * | 2018-03-23 | 2018-07-24 | 封玲 | 学科与专业教育测评系统 |
Non-Patent Citations (1)
Title |
---|
基于用户社交网络数据的人格倾向性分析及预测模型的建立;娜迪热等;《电脑知识与技术》;第14卷(第7期);6-11 * |
Also Published As
Publication number | Publication date |
---|---|
CN111461153A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | The application of artificial intelligence assistant to deep learning in teachers' teaching and students' learning processes | |
Williamson | Smarter learning software: Education and the big data imaginary | |
CN111460245B (zh) | 多维度人群特征测定方法 | |
Ferretti et al. | Formative assessment for mathematics teaching and learning: Teacher professional development research by videoanalysis methodologies | |
Xie et al. | Virtual reality primary school mathematics teaching system based on GIS data fusion | |
Toktarova | Model of adaptive system for mathematical training of students within eLearning environment | |
Xu et al. | Exploitation for multimedia asian information processing and artificial intelligence-based art design and teaching in colleges | |
Chen et al. | Integration of Big Data and Artificial Intelligence in Constructing Learners' Individualized Feedback System | |
Jazby | Conceptualising mathematics teacher noticing as a perception/action cycle | |
CN111461153B (zh) | 人群特征深度学习方法 | |
Wang | Evaluation of “online and offline” integrated teaching model of ideological and political courses in colleges and universities in the era of artificial intelligence | |
Zhang et al. | Construction and research of constructive English teaching model applying multimodal neural network algorithm | |
Lu et al. | Recognition of students’ abnormal behaviors in English learning and analysis of psychological stress based on deep learning | |
Becker | Alternate methodologies for instructional media research | |
Tian et al. | The Application of Scientific Games by Artificial Intelligence in Preschool Education under the Smart City | |
Qi | Interaction and psychological characteristics of art teaching based on Openpose and Long Short-Term Memory network | |
Djiffouet | An Investigation into the Acquisition of Tacit Knowledge in e-Learning Environments: An Experimental Study | |
Yao | RETRACTED ARTICLE: Assistive Technology-Based Analysis of Students’ Foreign Language Anxiety Using Distributed Machine Learning and Intelligent Affective Computing | |
Amimi et al. | A survey of smart classroom: Concept, technologies and facial emotions recognition application | |
Wu et al. | Status Quo and Countermeasures of College English Listening Teaching in the New Multimedia Environment | |
Marriott | Assessment methods and tools for architectural curricula | |
Yang | A ML-Based Efficient Chinese Teaching Platform Design and Implementation | |
Wang | AI Education for Middle School Students: Critically Exploring Socioscientific Issues with Machine Learning | |
Dou | Can free-view media processing technology improve classroom performance? | |
Alarcon et al. | Co-Development Approach Integrating Training into the Design Process |
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 |