岗位技能评估方法、系统、电子设备及存储介质
技术领域
本发明涉及数据处理技术领域,尤其涉及一种岗位技能评估方法、系统、电子设备及存储介质。
背景技术
在高等学校或培训机构的专业教育中,学生将进行系统全面的知识体系学习,但当学生考虑职业发展方向时往往没有正确的方法确定自身适合哪种职业,从而在寻找合适职业的过程四处碰壁。或者不能针对某种职业结合自己的知识掌握情况进行查漏补缺,从而在相对多余的知识点投入过多学习时间。
市场上现有的技能与职业评估系统大多基于专项职业考试进行评估,专项职业考试具有考察时间短,考察知识点覆盖面小的缺陷,往往不能准确评估考试者的技能水平与适合职业,造成评估准确性与真实性较低。且现有技能与职业评估系统一般仅宏观考察学生职业能力,无法具体到对应知识点的能力情况,造成评估结果具有局限性,学生无法针对评估结果判断与对应职业有关的知识点的掌握水平。
因此,如何克服因技能与职业评估系统的评估方法与评估结果的不足导致无法通过评估方法为学生提供真实、准确且详细的评估结果,成为本领域亟待解决的问题。
发明内容
为了解决上述问题,本发明提供一种岗位技能评估方法,包括:收集学习情况数据;根据所述学习情况数据进行技能分析,得到技能分析结果;根据所述技能分析结果和预先构建的岗位知识图谱进行岗位技能评估,生成评估结果;显示所述评估结果。
可选的,所述学习情况数据包括课程学习情况数据Ls、任务完成情况数据Es、报告分值数据集Rs和考试分值数据集Ts,其中,所述报告分值数据集Rs包括对应知识点所包含的报告分值rs与对应报告的难度系数Wr;所述考试分值数据集Ts包括对应知识点所包含的考试分值ts与对应考试的难度系数Wt。
可选的,所述的根据所述学习情况数据进行技能分析,得到技能分析结果,包括:
根据所述学习情况数据,计算出学生在各个所述知识点的学习覆盖广度Co和工程应用能力Ap,
所述学习覆盖广度Co的计算公式如下:
所述工程应用能力Ap的计算公式如下:
其中K为所述知识点所包含的报告的数量,N为所述知识点所包含考试的数量。
可选的,所述岗位知识图谱通过如下方式获得:将各岗位作为主知识,并将每个所述岗位对应要求的所述知识点作为子知识;在规定取值范围内设置知识点权重Kp;根据所述知识点权重Kp,将所述主知识和所述子知识之间连接以构建岗位知识图谱。
可选的,所述的岗位知识图谱的获得方式,还包括:针对任一所述岗位,检索招聘平台上的岗位需求;提取所述岗位需求的能力程度关键词与能力描述关键词;根据所述能力程度关键词,得到能力权重Wp;将所述能力描述关键词与所述知识点做相关性匹配;若所述能力描述关键词与所述知识点相关,则根据所述能力权重Wp调整所述知识点权重Kp。
可选的,所述的根据所述技能分析结果和预先构建的岗位知识图谱进行岗位技能评估,生成评估结果,包括:
根据所述工程应用能力Ap和所述知识点权重Kp,计算评估分数score,所述评估分数score的计算公式如下:
其中M为所述知识点的数量;
将所述评估分数score匹配预先划分的评估等级以生成评估结果。
可选的,所述的根据所述技能分析结果和预先构建的岗位知识图谱进行岗位技能评估,生成评估结果,包括:在所述岗位知识图谱的基础上结合学生在各个所述知识点的所述学习覆盖广度Co和所述工程应用能力Ap,绘制岗位能力雷达图以生成评估结果。
本发明进一步提供一种岗位技能评估系统,包括学习情况数据收集模块、技能分析模块、岗位知识图谱模块、岗位分析模块和岗位技能评估可视化模块,其中,所述学习情况数据收集模块用于收集学习情况数据;所述技能分析模块用于根据所述学习情况数据进行技能分析,得到技能分析结果;所述岗位知识图谱模块用于预先构建岗位知识图谱;所述岗位分析模块用于根据所述技能分析结果和预先构建的岗位知识图谱进行岗位技能评估,生成评估结果;所述岗位技能评估可视化模块,用于显示所述评估结果。
本发明进一步提供一种电子设备,包括处理器和存储有计算机程序的存储介质,所述计算机程序被所述处理器执行时实现如上述任一项所述的岗位技能评估方法。
本发明进一步提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述的岗位技能评估方法
根据上述内容,通过收集学生的学习情况数据,能够真实、有效且全面地体现出学生的综合学习情况。进而,基于学生的学习情况数据进行技能分析,能够真实、准确的反应学生的技能水平。从而,根据技能分析结果和岗位知识图谱进行技能评估,能够为学生提供真实、准确且详细的评估结果。
附图说明
图1是本发明实施例1的岗位技能评估方法的流程示意图;
图2是本发明实施例2的岗位技能评估系统的功能模块示意框图;
图3是本发明实施例2的岗位知识图谱的局部表达示意图;
图4是本发明实施例2中举例的岗位知识图谱的局部表达示意图;
图5是本发明实施例2的岗位能力雷达图;
图6是本发明实施例2中举例的岗位能力雷达图;
图7是本发明实施例3的电子设备的结构示意图。
具体实施方式
以下将结合附图,对本发明进行更为详细的描述,需要说明的是,以下参照附图对本发明进行的描述仅是示意性的,而非限制性的。各个不同实施例之间可以进行相互组合,以构成未在以下描述中示出的其他实施例。
实施例1
请参阅图1所示,本实施例的岗位技能评估方法包括以下流程步骤:
S1:收集学习情况数据;
S2:根据所述学习情况数据进行技能分析,得到技能分析结果;
S3:根据所述技能分析结果和预先构建的岗位知识图谱进行岗位技能评估,生成评估结果;
S4:显示所述评估结果。
可见,本发明收集学生的学习情况数据,能够真实、有效且全面地体现出学生的综合学习情况。因此,基于学生的学习情况数据进行技能分析,能够真实、准确的反应学生的技能水平。从而,根据技能分析结果和岗位知识图谱进行技能评估,能够为学生提供真实、准确且详细的评估结果。
作为一种实施方式,上述的学习情况数据可以包括课程学习情况数据Ls、任务完成情况数据Es、报告分值数据集Rs和考试分值数据集Ts,其中,所述课程学习情况数据Ls用于描述学生在教学平台(例如人工智能教学实训平台)学习对应知识点所包含的课程的完成度;所述任务完成情况数据Es用于描述学生在教学平台(例如人工智能教学实训平台)实操对应知识点所包含的实训任务的完成度;所述报告分值数据集Rs包括对应知识点所包含的报告分值rs与对应报告的难度系数Wr;所述考试分值数据集Ts包括对应知识点所包含的考试分值ts与对应考试的难度系数Wt。
作为一种实施方式,所述的根据所述学习情况数据进行技能分析,得到技能分析结果,包括:
根据所述学习情况数据,计算出学生在各个所述知识点的学习覆盖广度Co和工程应用能力Ap,
所述学习覆盖广度Co的计算公式如下:
所述工程应用能力Ap的计算公式如下:
其中K为所述知识点所包含的报告的数量,N为所述知识点所包含考试的数量。
作为一种实施方式,所述岗位知识图谱通过如下方式获得:将各岗位作为主知识,并将每个所述岗位对应要求的所述知识点作为子知识;在规定取值范围内设置知识点权重Kp;根据所述知识点权重Kp,将所述主知识和所述子知识之间连接以构建岗位知识图谱。
进一步的,所述的岗位知识图谱的获得方式,还包括:针对任一所述岗位,检索招聘平台上的岗位需求;提取所述岗位需求的能力程度关键词与能力描述关键词;根据所述能力程度关键词,得到能力权重Wp;将所述能力描述关键词与所述知识点做相关性匹配;若所述能力描述关键词与所述知识点相关,则根据所述能力权重Wp调整所述知识点权重Kp。
可选的,所述的根据所述技能分析结果和预先构建的岗位知识图谱进行岗位技能评估,生成评估结果,包括:
根据所述工程应用能力Ap和所述知识点权重Kp,计算评估分数score,所述评估分数score的计算公式如下:
其中M为所述知识点的数量;
将所述评估分数score匹配预先划分的评估等级以生成评估结果。
可选的,所述的根据所述技能分析结果和预先构建的岗位知识图谱进行岗位技能评估,生成评估结果,包括:在所述岗位知识图谱的基础上结合学生在各个所述知识点的所述学习覆盖广度Co和所述工程应用能力Ap,绘制岗位能力雷达图以生成评估结果。
实施例2
基于实施例1,本实施例提供一种岗位技能评估系统,请参阅图2所示,该系统包括学习情况数据收集模块、技能分析模块、岗位知识图谱模块、岗位分析模块和岗位技能评估可视化模块,其中,所述学习情况数据收集模块用于收集学习情况数据;所述技能分析模块用于根据所述学习情况数据进行技能分析,得到技能分析结果;所述岗位知识图谱模块用于预先构建岗位知识图谱;所述岗位分析模块用于根据所述技能分析结果和预先构建的岗位知识图谱进行岗位技能评估,生成评估结果;所述岗位技能评估可视化模块,用于显示所述评估结果。
作为一种实施方式,本实施例的岗位技能评估系统所收集的学习情况数据来自于人工智能教学实训平台,该人工智能教学实训平台包括课程学习模块、任务实训模块、报告汇报模块和考试系统模块,其中,所述学习模块用于产生课程学习情况数据Ls;所述任务实训模块用于产生任务完成情况数据Es;所述报告汇报模块用于产生报告分值数据集Rs;所述考试系统模块用于产生考试分值数据集Ts。所述课程学习情况数据Ls用于描述学生在人工智能教学实训平台学习对应知识点所包含的课程的完成度。所述任务完成情况数据Es用于描述学生在人工智能教学实训平台实操对应知识点所包含的实训任务的完成度。所述报告分值数据集Rs包括对应知识点所包含的报告分值rs与对应报告的难度系数Wr。所述考试分值数据集Ts包括对应知识点所包含的考试分值ts与对应考试的难度系数Wt。
进一步的,上述技能分析模块用于根据所述学习情况数据收集模块所获取的知识点的学习情况数据,计算学生在各个知识点的学习覆盖广度Co与工程应用能力Ap。所述学习覆盖广度Co取对应课程学习情况数据Ls与任务完成情况数据Es的平均值。所述工程应用能力Ap先计算报告分值数据集Rs与考试分值数据集Ts的加权平均值,再与学习覆盖广度Co相乘。
学习覆盖广度Co的计算公式如下:
工程应用能力Ap的计算公式如下:
其中K为知识点所包含的报告的数量,N为知识点所包含考试的数量。
进一步的,上述岗位知识图谱模块用于构建岗位知识图谱,从而记录相关岗位及对应岗位的知识点要求。请参阅图3所示,所述岗位知识图谱由主知识与子知识构成,主知识与子知识之间有连接关系。所述主知识包括各个岗位,例如:机器学习工程师、深度学习工程师、计算机视觉工程师、自然语言处理工程师、数据分析工程师等等。所述子知识为根据职业评估标准分配的对应职业(即岗位)所要求的职业知识点。所述职业知识点与人工智能教学实训平台内课程所包含的知识点一致。上述连接关系为对应职业知识点的知识点权重Kp,该知识点权重Kp可以由人为在规定取值范围内设置。
进一步的,举例而言,请参阅图4所示,以深度学习工程师职业为例,根据《深度学习工程师能力评估标准》要求以及人工智能教学实训平台内课程所包含的知识点,可为该职业制定“编程基础”、“机器学习基础”、“神经网络基础”、“深度学习基础”、“工程开发与架构设计”、“行业应用”6个职业知识点。
作为一种实施方式,通过检索至少一个招聘平台对深度学习工程师的岗位需求,提取所述岗位需求的能力程度关键词与能力描述关键词。所述能力程度关键词包括“了解”、“熟悉”、“精通”、“优先”等程度描述类关键词,并根据所述能力程度关键词设置能力权重Wp。所述能力描述关键词包括“python”“数据结构”“tensorflow”“网络性能优化”等能力描述关键词,通过将能力描述关键词与职业知识点做相关性匹配,便能计算出对应职业知识点的知识点权重。如“网络性能优化”能力描述关键词与“神经网络基础”“深度学习基础”职业知识点相关,则可根据“网络性能优化”能力描述关键词的能力权重Wp变动知识点权重Kp,那么构建的岗位知识图谱会更加接近实际中每个岗位与各知识点之间的关系。
上述岗位知识图谱可基于人工智能技术手段而产生。例如,通过神经网络模型对学习情况数据进行学习以构建岗位知识图谱,而且评估的岗位越多,那么构建的岗位知识图谱准确性越高。另外,对于构建好的岗位知识图谱也可以重复利用。
进一步的,上述岗位分析模块可以通过学生在各个知识点的工程应用能力与岗位知识图谱分析对应学生在对应职业的职业等级。所述岗位分析模块将检索岗位知识图谱的主知识,再通过与所述主知识连接的子知识对应的知识点检索对应学生对应知识点的工程应用能力,从而计算出所述主知识对应的职业评估分数。所述职业评估分数score将计算所述对应学生对应知识点的工程应用能力Ap的加权平均值。
职业评估分数score的计算公式如下:
其中M为知识点的数量。
根据所述职业评估分数划分四个评估等级,包括:未入门级、初级、中级、高级。当所述职业评估分数小于60分时对应所述未入门级,当所述职业评估分数大于或等于60分且小于75分时对应所述初级,当所述职业评估分数大于或等于75分且小于90分时对应所述中级,当所述职业评估分数大于或等于90分时对应所述高级。
本实施例中,岗位技能的评估结果可以是岗位的评估等级,用于表示对应学生在各职业的等级,比如职业等级表包含了所述岗位知识图谱中主知识对应的职业以及所述职业在岗位分析模块生成的评估等级。
进一步的,请参阅图5所示,所述评估结果也可以是岗位能力雷达图。例如,在所述岗位知识图谱的基础上结合学生在各个所述知识点的所述学习覆盖广度Co和所述工程应用能力Ap,绘制岗位能力雷达图以生成评估结果。具体而言,所述职业能力雷达图用于表示对应学生在对应职业上各个知识点的能力,所述职业能力雷达图的轴为所述岗位知识图谱中主知识连接的子知识对应的知识点,每条轴包含对应知识点的学习覆盖广度Co与工程应用能力Ap两个系列数值。图6是以深度学习工程师职业为例最终得出的岗位能力雷达图。
进一步的,上述岗位技能评估可视化模块显示评估结果,可以直观的显示学生的岗位技能评估情况。
作为另一种实施方式,在岗位分析模块计算出评估分数score之后,可以由岗位技能评估可视化模块生成对应学生的评估等级(例如评估等级表)和岗位能力雷达图并进行显示。
需要说明的是,本申请中的“职业”与“岗位”具有相同的意思,“职业知识点”与“知识点”均表示对应岗位所要求的知识点,上文中的表述不同是为了适应日常表达习惯,而不对本申请的保护范围形成限制。
实施例3
如图5所示,为电子设备的结构示意图,该电子设备包括处理器610、存储器620、输入装置630和输出装置640;计算机设备中处理器610的数量可以是一个或多个;电子设备中的处理器610、存储器620、输入装置630和输出装置640可以通过总线或其他方式连接。
处理器610通过运行存储在存储器620中的软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现本发明各种实施形态的岗位技能评估方法。
存储器620可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器620可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器620可进一步包括相对于处理器610远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置630可用于接收实体编码数据、实体等。输出装置640可包括显示屏等显示装备。
实施例4
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的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,如计算机的软盘、只读存储器(Read-Only Memory, ROM)、随机存取存储器(Random AccessMemory, RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台电子设备(可以是手机,个人计算机,服务端,或者网络设备等)执行本发明各种实施形态的岗位技能评估方法。
根据上述内容,本发明一实施形态的岗位技能评估方法利用人工智能教学实训平台所提供的学生课程学习信息、任务完成信息、报告分值信息与考试分值信息定义学生学习情况属性,并构建岗位知识图谱与学生学习情况属性进行综合分析,从而得出对应学生的职业评估分数、岗位技能的评估等级与岗位能力雷达图,能够有效地利用学生的学习与实验数据,充分体现了学生的综合学习情况、学生适合的岗位以及学生在对应岗位的知识点学习情况,能为学生提供真实、准确且详细的评估结果。因此,本发明一实施形态的岗位技能评估方法具有以下优势:
(1)评估数据真实性强,本发明实施例利用人工智能教学实训平台所提供的学生课程学习信息、任务完成信息、报告分值信息与考试分值信息定义学生学习情况属性,能充分体现学生在系统化知识体系下的学习范围、学习能力以及学习成果,其评估数据能综合评价学生的学习状态以及精确评价学生在各个知识点的学习状态。
(2)评估方法科学性强,本发明实施例通过构建岗位知识图谱描述职业与职业所需知识点之间的关系,能通过检索对应职业快速定位职业所需知识点,或者通过检索知识点快速定位与之联系的职业,并结合学生学习情况属性就能分析出学生适合的职业以及学生劣势知识点。
对本领域的技术人员来说,可根据以上描述的技术方案以及构思,做出其它各种相应的改变以及形变,而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。