CN113796834A - 认知能力评估方法、装置、设备及存储介质 - Google Patents
认知能力评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113796834A CN113796834A CN202111103201.0A CN202111103201A CN113796834A CN 113796834 A CN113796834 A CN 113796834A CN 202111103201 A CN202111103201 A CN 202111103201A CN 113796834 A CN113796834 A CN 113796834A
- Authority
- CN
- China
- Prior art keywords
- matrix
- user
- response
- response time
- score
- 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
- 230000003930 cognitive ability Effects 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000004044 response Effects 0.000 claims abstract description 178
- 239000011159 matrix material Substances 0.000 claims abstract description 100
- 238000011156 evaluation Methods 0.000 claims abstract description 38
- 230000035484 reaction time Effects 0.000 claims abstract description 37
- 238000012937 correction Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012217 deletion Methods 0.000 claims description 4
- 230000037430 deletion Effects 0.000 claims description 4
- 230000001149 cognitive effect Effects 0.000 claims 1
- 238000004891 communication Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 230000003931 cognitive performance Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 239000002131 composite material Substances 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000021317 sensory perception Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
Landscapes
- Health & Medical Sciences (AREA)
- Neurology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- Physiology (AREA)
- Physics & Mathematics (AREA)
- Developmental Disabilities (AREA)
- Biophysics (AREA)
- Child & Adolescent Psychology (AREA)
- Engineering & Computer Science (AREA)
- Hospice & Palliative Care (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种认知能力评估方法、装置、设备及存储介质,其中,方法包括:获取受测用户的作答时间序列和作答情况序列;调用与受测用户的属性匹配的作答时间常模矩阵;基于作答时间序列和作答时间常模矩阵,确定受测用户的反应时间得分;根据作答情况序列,确定受测用户的作答情况得分;根据反应时间得分和作答情况得分,确定受测用户的认知能力评估结果。根据本公开的技术方案能够提高认知能力评估的准确度。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及一种认知能力评估方法、装置、设备及存储介质。
背景技术
认知能力是指人脑加工、理解和处理信息的能力,感知觉、记忆、注意、思维、想象等能力都属于认知能力的范畴。在大脑认知能力的评估中,针对认知能力构建评估题目,受测用户通过作答一系列评估题目进行认知能力评估。
相关技术中,采用等级计分、作答正确率计分的方式,实现对受测用户的认知能力评估。
发明内容
根据本公开的一方面,提供了一种认知能力评估方法,包括:
获取受测用户的作答时间序列和作答情况序列;
调用与所述受测用户的属性匹配的作答时间常模矩阵;
基于所述作答时间序列和所述作答时间常模矩阵,确定所述受测用户的反应时间得分;
根据所述作答情况序列,确定所述受测用户的作答情况得分;
根据所述反应时间得分和所述作答情况得分,确定所述受测用户的认知能力评估结果。
根据本公开的另一方面,提供了一种认知能力评估装置,包括:
获取模块,用于获取受测用户的作答时间序列和作答情况序列;
调用模块,用于调用与所述受测用户的属性匹配的作答时间常模矩阵;
第一确定模块,用于基于所述作答时间序列和所述作答时间常模矩阵,确定所述受测用户的反应时间得分;
第二确定模块,用于根据所述作答情况序列,确定所述受测用户的作答情况得分;
第三确定模块,用于根据所述反应时间得分和所述作答情况得分,确定所述受测用户的认知能力评估结果。
根据本公开的另一方面,提供了一种电子设备,包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述一方面所述的认知能力评估方法。
根据本公开的另一方面,提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述一方面所述的认知能力评估方法。
根据本申请实施例中提供的一个或多个技术方案,通过调用与受测用户的属性匹配的作答时间常模矩阵,根据作答时间序列与作答时间常模矩阵确定受测用户的反应时间得分,根据反应时间得分和作答情况得分生成认知能力评估结果,将作答时间融入能力评估,提高了认知能力评估的准确度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开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简单地介绍。显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开实施例所提供的一种认知能力评估方法的流程示意图;
图2为本公开实施例所提供的另一种认知能力评估方法的流程示意图;
图3为本公开实施例所提供的另一种认知能力评估方法的流程示意图;
图4为本公开实施例所提供的一种算分引擎与报告端的交互过程示意图;
图5为本公开实施例所提供的一种认知能力评估装置的结构示意图;
图6为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
首先对本公开实施例中涉及的一些名词进行解释。
受测用户是指接受能力评估的个体,可以是儿童、青少年、成年人、老人,也可以是特殊人群等。
作答时间是指受测用户作答一道题目所需要花费的时间,例如采用题目呈现给受测用户的时刻到受测用户答完该题的时刻之间的时间差。作答时间反映了受测用户在一道题目上进行思考和完成作答所需要的时间。
作答情况序列指针对一套能力评估题目,受测用户在每道题目上的作答情况汇集形成的向量。
常模指一定人群在测验所测特性上的普遍水平或水平的分布状况。
以下参照附图描述本公开的方案。
图1为本公开实施例所提供的一种认知能力评估方法的流程示意图,如图1所示,本公开实施例提供的认知能力评估方法可包括:
步骤101,获取受测用户的作答时间序列和作答情况序列。
本公开实施例的方法,用于对用户的认知能力进行评估,例如,可以应用于基于益智类评估的认知能力评估场景,在该场景下,受测用户作答多个题目,通过采集受测用户的作答数据,基于作答数据生成受测用户的认知能力评估结果。
本公开实施例中,在确定受测用户的认知能力评估结果时,可以获取受测用户的作答时间序列和作答情况序列。其中,作答时间序列包括多个题目中每个题目的作答时间,作答情况序列包括多个题目中每个题目的作答情况。其中,作答情况可以是作答正误、等级计分、多值计分等情况中的任一种。
步骤102,调用与受测用户的属性匹配的作答时间常模矩阵。
本公开实施例中,预先生成作答时间常模矩阵,其中,作答时间常模矩阵包括多个目标序列。作答时间常模矩阵是基于多个用户的作答时间序列生成的,多个用户具有相同的属性,例如,对于前述多个题目,采集用户作答每个题目时所用时间,生成用户作答每个题目所用时间的目标序列,参照上述步骤对于多个用户分别生成多个目标序列,基于多个目标序列构建作答时间常模矩阵。
其中,属性包括但不限于月龄、地域、年龄等,需要说明的是,属性可采用不同的方式进行划分。如月龄属性,可以每6个月为一个月龄段进行划分,即将月龄为N岁0至6个月的用户作为具有相同属性的用户(N可以是任何一个年龄值)、将月龄为N岁6至12个月的用户作为具有相同属性的用户等,亦可采用3个月、12个月等为单位进行划分,此处不作具体限制,地域等属性亦属此类。在构建作答时间常模矩阵时,会对各属性的各维度进行组合,分别生成作答时间常模矩阵。例如,年龄有3岁和4岁两个维度、地域有A和B两个维度,则会分别生成与年龄3岁及地域A对应的作答时间常模矩阵、与年龄3岁及地域B对应的作答时间常模矩阵、与年龄4岁及地域A对应的作答时间常模矩阵、与年龄4岁及地域B对应的作答时间常模矩阵。在实际场景中,年龄、月龄和地域各自会有更多的维度及组合方式,可根据具体的使用场景来自由组合。由此,离线构建多个作答时间常模矩阵,并在认知能力评估场景下,根据受测用户的属性调用匹配的作答时间常模矩阵,能够确定代表受测用户所属群体的作答数据,能够更精准地评估受测用户的能力水平。
可选的,在实际应用中,可以设置题目作答的起始规则或终止规则,当符合终止规则时,受测用户无需继续作答后续题目,当符合起始规则时,可在不同难度的题目开始作答,因此不同的受测用户作答的题目数量可以不同。本示例中,在基于多个用户的作答时间序列生成作答时间常模矩阵时,多个用户作答的题目数量相同,因此,与受测用户的属性匹配的作答时间常模矩阵可以存在多个,分别对应不同的题目数量。通过获取受测用户的属性和作答的题目数量,调用与受测用户的属性和作答的题目数量匹配的作答时间常模矩阵,解决了如何在面对不同作答长度的受测用户时进行计分的问题。
步骤103,基于作答时间序列和作答时间常模矩阵,确定受测用户的反应时间得分。
本公开实施例中,可采用时间序列分析中的距离函数,确定作答时间序列与多个目标序列之间的差异度,根据差异度计算反应时间得分。
其中,距离函数例如为动态时间归整(dynamic time wraping,dtw),差异度可以指示作答时间序列在作答时间常模矩阵空间中的相对位置。在确定反应时间得分时,可以抽取受测用户的作答数据离线计算,也可以在线上实时计算。
步骤104,根据作答情况序列,确定受测用户的作答情况得分。
本公开实施例中,作答情况序列包括多个题目中每个题目的作答情况,根据每个题目的作答情况计算作答情况得分。
其中,Sacc为作答情况得分,n为题目数量,Xi表示第i个题目的作答情况,ai表示第i个题目的权重系数。
步骤105,根据反应时间得分和作答情况得分,确定受测用户的认知能力评估结果。
本公开实施例中,可以根据反应时间得分和作答情况得分确定认知能力评估分数,根据认知能力评估分数生成受测用户的评估报告并展示。可选的,在实际应用中作答正确率越高、作答时间越短,认知能力评估分数越高,因此可以将作答情况得分与反应时间得分的比值作为认知能力评估分数。
在本公开的一个实施例中,在认知能力评估场景下存在多种能力类别,例如空间能力、专注力等,预先设置各能力类别对应的权重值。在生成认知能力评估结果时,确定与当前评估的能力类别对应的权重值,根据权重值对反应时间得分进行调整,并根据作答情况得分与调整后的反应时间得分确定认知能力评估结果。可选地,根据作答情况得分与调整后的反应时间得分之间的比值,确定认知能力评估结果,其中,对反应时间得分进行调整的方式例如可采用将权重值与反应时间得分相乘等方式,此处不做具体限制。由此,可以依据各能力特性调节作答时间在评分中的权重,能够根据能力特性精准调节受测用户在各能力上的评分,以贴合各能力评估属性和特点。
根据本公开实施例的技术方案,通过调用与受测用户的属性匹配的作答时间常模矩阵,根据作答时间序列与作答时间常模矩阵确定受测用户的反应时间得分,根据反应时间得分和作答情况得分确定受测用户的认知能力评估结果,将作答时间融入能力评估,更符合认知能力的特点,同时能够更全面的反映受测用户能力水平,解决了相关技术中在认知能力评估中仅考虑作答情况导致区分度不足、准确度较低的问题,并且,采用作答时间常模矩阵精准地反映用户在每道题目上的作答时间信息,通过作答时间序列与作答时间常模矩阵确定反应时间得分的方式,能够更精准地评估受测用户的能力水平,提高了认知能力评估的准确度。
基于上述实施例,下面对构建作答时间常模矩阵进行说明。
图2为本公开实施例所提供的另一种认知能力评估方法的流程示意图,如图2所示,该方法还包括:
步骤201,获取多个用户集合。
本实施例中,可采用现有抽样方法获取多个用户集合。其中,每一用户集合可包括多个用户,属于同一用户集合中的用户具有相同的属性,属性包括但不限于月龄、地域、年龄。
步骤202,对于多个用户集合中的任一用户集合,根据该用户集合中各用户的作答时间序列生成目标矩阵。
本公开实施例中,根据用户的作答时间数据生成用于表示用户作答每个题目所用时间的序列,进而,由多个序列组成目标矩阵,该目标矩阵表示了受测群体的作答时间序列信息。
在本公开的一个实施例中,在获取由多个用户的作答时间序列生成的目标矩阵之前,还包括:获取多个用户的作答时间序列,对多个用户的作答时间序列执行数据清洗操作。其中,数据清洗操作包括异常值删除、极端值修正、异常值替换、缺失值插补中的至少一种。
举例而言,异常值删除包括:对年龄、地域等属性缺失或不符合预设范围的数据进行删除,对答题数量少于预设值或答题异常的数据(例如答题数量少于3道,或者前3道题目均错误)进行删除,对答题信息不完整的数据(例如缺少作答时间或作答情况等)进行删除。
极端值修正包括:对于作答时间大于第一时间的数据进行修正,以将作答时间调整为第一时间,对于作答时间小于第二时间的数据进行修正,以将作答时间调整为第二时间。其中,第一时间和第二时间可以是预设的时间阈值,第一时间大于第二时间。
异常值替换包括:对于存在部分异常数据的情况,对存在异常值的数据进行替换,例如采用作答时间的中位数对作答时间为零或空的数据进行替换。
缺失值插补包括:对于存在部分缺失值的情况,例如缺失一道题目的作答数据时,对缺失的作答数据进行插补操作。
步骤203,对目标矩阵进行特征抽取,以生成作答时间常模矩阵。
本实施例中,可以对目标矩阵进行特征抽取以抽取关键特征值,从而生成作答时间常模矩阵。由于目标矩阵含有噪音,且当目标矩阵较大时,采用目标矩阵在后续计算中耗时较长,不适合进行在线实时运算,因此本实施例中对目标矩阵进行降维。
作为一种可能的实现方式,对目标矩阵进行特征抽取,生成作答时间常模矩阵包括:对目标矩阵进行奇异值分解(Singular Value Decomposition,SVD),生成奇异值矩阵和酉矩阵;确定奇异值矩阵中方差解释率大于预设解释率阈值的奇异值集合,以及与奇异值集合对应的截断点;基于截断点对奇异值矩阵和酉矩阵进行奇异值分解的逆运算,生成作答时间常模矩阵。
本示例中,通过奇异值分解算法对目标矩阵进行奇异值分解,得到奇异值矩阵和酉矩阵,进而求解奇异值矩阵中奇异值的方差解释率超过95%的截断点,对该截断点以内的特征值进行奇异值分解的逆运算,返回截断点位置的矩阵作为作答时间常模矩阵。
本实施例中,通过构建作答时间常模矩阵,能够精准地反映用户在每道题目上的作答时间信息,同时,基于常模矩阵的构建,可以更方便地将受测用户与同属性的其他用户进行比较,能够更加精细地刻画用户与同属性其他用户的水平差异。进一步将作答时间常模矩阵用于计算反应时间得分,通过作答时间序列与作答时间常模矩阵确定反应时间得分,更精细地刻画受测用户在每道题目上的答题特点,准确地评估受测用户的能力水平。由于在实际应用场景中通常每道题目的难度不同,因此每道题目所需要花费的时间也不相同,尤其是对于设计良好的测验,题目难度呈现由低到高排列,因次受测用户能力越高时回答的题目越多,在较难的题目上花费的时间也会越多,因此对于各题目的作答时间求平均值/众数的方式不能够准确评估受测用户的能力水平,因此采用本实施例的技术方案,能够准确的确定反应时间得分,进一步提高认知能力评估的准确度。
在本公开的一个实施例中,在生成作答时间常模矩阵时,同一用户集合中的多个用户作答的题目数量相同,本公开实施例的方法还包括:确定作答时间常模矩阵的多个目标序列中每两个目标序列之间的差异度,根据每两个目标序列之间的差异度,生成总差异度向量,以及根据多个目标序列,生成总作答时间向量,其中,目标序列表示了各题目的作答时间,因此,根据目标序列可以确定总作答时间。进而,基于总作答时间向量和总差异度向量进行拟合,确定拟合函数,确定拟合函数的导函数,该导函数为修正参数。
本实施例中,基于作答时间序列和作答时间常模矩阵,确定受测用户的反应时间得分包括如下步骤,如图3所示:
步骤301,确定作答时间序列与多个目标序列之间的差异度。
步骤302,基于作答时间序列对应的总作答时间与预先生成的修正参数,生成修正值。
步骤303,根据修正值对差异度进行修正,生成反应时间得分。
本公开实施例中,确定作答时间序列与多个目标序列中每个目标序列之间的第一差异度,根据每个第一差异度,求和生成第二差异度。
作为一种示例,作答时间常模矩阵Grt中包括多个目标序列,确定作答时间序列Srt与多个目标序列中每个目标序列之间的第一差异度di,将di求和得到ds,即。修正参数为导函数Q(a,b),对受测用户的总作答时间与导函数Q(a,b)进行乘法合成,得到修正值Qrt,。通过修正值对第二差异度进行修正的方式,例如是将修正值与第二差异度相乘,通过对第二差异度进行修正,以保证单调性。
本示例中,认知能力评估分数可通过如下公式确定:
其中,Stotal表示认知能力评估分数,Sacc表示作答情况得分,K为预设值(例如100000),a和b为导函数的两个参数值。由此,相比于作答时间求平均值/众数的方式,能够准确评估受测用户的能力,提高认知能力评估的准确度。
下面结合实际应用场景进行说明。
当受测用户i作答完成用于评估j能力的题目后,将受测用户i的属性、j能力类别、作答时间序列Srt、作答情况序列等发送至预设接口。根据受测用户i的属性、j能力类别、作答的题目数量调用相匹配的作答时间常模矩阵Grt。其中,属性包括月龄、年龄、地域等中的一种或多种。
根据时间序列的距离算法,计算Srt在Grt空间中的相对位置ds,根据ds确定受测用户i的j能力的反应时间得分;根据作答情况序列计算受测用户i的j能力的作答情况得分;利用反应时间得分和作答情况得分融合公式计算受测用户i的j能力的合成分。
进而,在计算合成分后,对合成分进行归一化处理,以使不同能力类别之间的合成分可比较,归一化处理的方式可包括将合成分转换为百分制或者其他分数形态,结合能力类别、受测用户i的属性,生成受测用户i的认知能力评估结果。
下面结合算分引擎与报告端的交互过程进行说明。
参照图4,由报告端进行受测用户作答数据的接收、整理和检查。其中,报告端接收受测用户的作答数据,包括作答时间和作答情况,并检查作答数据的完整性,当作答数据满足预设的格式要求且完整性检查通过的情况下,报告端将作答数据、受测用户的属性、能力类别等信息发送至算分引擎。
算分引擎根据受测用户的年龄、能力类别等调用匹配的作答时间常模矩阵。根据作答数据、调用的作答时间常模矩阵,计算能力评分。将评估分数转化为星级等信息,并发送至报告端。
报告端接收受测用户的能力评分、星级等信息,并在界面上进行展示。
图5为本公开实施例所提供的一种认知能力评估装置的结构示意图,如图5所示,该认知能力评估装置包括:获取模块51,调用模块52,第一确定模块53,第二确定模块54,第三确定模块55。
其中,获取模块51,用于获取受测用户的作答时间序列和作答情况序列。
调用模块52,用于调用与受测用户的属性匹配的作答时间常模矩阵。
第一确定模块53,用于基于作答时间序列和作答时间常模矩阵,确定受测用户的反应时间得分。
第二确定模块54,用于根据作答情况序列,确定受测用户的作答情况得分。
第三确定模块55,用于根据反应时间得分和作答情况得分,确定受测用户的认知能力评估结果。
在本公开的一个实施例中,认知能力评估装置还包括:构建模块,用于获取多个用户集合,其中,属于同一用户集合中的用户具有相同的属性;对于多个用户集合中的任一用户集合,根据该用户集合中各用户的作答时间序列生成目标矩阵;对目标矩阵进行特征抽取,以生成作答时间常模矩阵。
在本公开的一个实施例中,处理模块还用于:对目标矩阵进行奇异值分解,生成奇异值矩阵和酉矩阵;确定奇异值矩阵中方差解释率大于预设解释率阈值的奇异值集合以及与奇异值集合对应的截断点;基于截断点对奇异值矩阵和酉矩阵进行奇异值分解的逆运算,生成作答时间常模矩阵。
在本公开的一个实施例中,第一确定模块53还用于:确定作答时间序列与多个目标序列之间的差异度;基于作答时间序列对应的总作答时间与预先生成的修正参数,生成修正值;根据修正值对差异度进行修正,生成反应时间得分。
在本公开的一个实施例中,认知能力评估装置还包括:拟合模块,用于根据多个目标序列中每两个目标序列之间的差异度,生成总差异度向量;根据多个目标序列,生成总作答时间向量;基于总作答时间向量和总差异度向量进行拟合,确定拟合函数,其中,拟合函数的导函数为修正参数。
在本公开的一个实施例中,第三确定模块55还用于:确定与当前评估的能力类别对应的权重值;根据权重值对所述反应时间得分进行调整;根据作答情况得分与调整后的反应时间得分,确定受测用户的认知能力评估结果。
在本公开的一个实施例中,认知能力评估装置还包括:数据清洗模块,用于获取任一用户集合中各用户的作答时间序列;对该用户集合中各用户的作答时间序列执行数据清洗操作,其中,数据清洗操作包括异常值删除、极端值修正、异常值替换、缺失值插补中的至少一种。
本公开实施例所提供的认知能力评估装置可执行本公开实施例所提供的任意认知能力评估方法,具备执行方法相应的功能模块和有益效果。本公开装置实施例中未详尽描述的内容可以参考本公开任意方法实施例中的描述。
本公开示例性实施例还提供一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器。所述存储器存储有能够被所述至少一个处理器执行的计算机程序,所述计算机程序在被所述至少一个处理器执行时用于使所述电子设备执行根据本公开实施例的方法。
本公开示例性实施例还提供一种存储有计算机程序的非瞬时计算机可读存储介质,其中,所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本公开实施例的方法。
本公开示例性实施例还提供一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本公开实施例的方法。
参考图6,现将描述可以作为本公开的服务器或客户端的电子设备600的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,电子设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
电子设备600中的多个部件连接至I/O接口605,包括:输入单元606、输出单元607、存储单元608以及通信单元609。输入单元606可以是能向电子设备600输入信息的任何类型的设备,输入单元606可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入。输出单元607可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元608可以包括但不限于磁盘、光盘。通信单元609允许电子设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理。例如,在一些实施例中,认知能力评估方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。在一些实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行认知能力评估方法。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
如本公开使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种认知能力评估方法,包括:
获取受测用户的作答时间序列和作答情况序列;
调用与所述受测用户的属性匹配的作答时间常模矩阵;
基于所述作答时间序列和所述作答时间常模矩阵,确定所述受测用户的反应时间得分;
根据所述作答情况序列,确定所述受测用户的作答情况得分;以及
根据所述反应时间得分和所述作答情况得分,确定所述受测用户的认知能力评估结果。
2.如权利要求1所述的方法,还包括:
获取多个用户集合,其中,属于同一用户集合中的用户具有相同的属性;
对于所述多个用户集合中的任一用户集合,根据该用户集合中各用户的作答时间序列,生成目标矩阵;以及
对所述目标矩阵进行特征抽取,以生成所述作答时间常模矩阵。
3.如权利要求2所述的方法,其中,所述对所述目标矩阵进行特征抽取,以生成所述作答时间常模矩阵包括:
对所述目标矩阵进行奇异值分解,生成奇异值矩阵和酉矩阵;
确定所述奇异值矩阵中方差解释率大于预设解释率阈值的奇异值集合,以及与所述奇异值集合对应的截断点;以及
基于所述截断点对所述奇异值矩阵和所述酉矩阵进行奇异值分解的逆运算,生成所述作答时间常模矩阵。
4.如权利要求1所述的方法,其中,所述作答时间常模矩阵包括多个目标序列,所述基于所述作答时间序列和所述作答时间常模矩阵,确定所述受测用户的反应时间得分包括:
确定所述作答时间序列与所述多个目标序列之间的差异度;
基于所述作答时间序列对应的总作答时间与预先生成的修正参数,生成修正值;以及
根据所述修正值对所述差异度进行修正,以确定所述受测用户的所述反应时间得分。
5.如权利要求4所述的方法,还包括:
根据所述多个目标序列中每两个目标序列之间的差异度,生成总差异度向量;
根据所述多个目标序列,生成总作答时间向量;
基于所述总作答时间向量和所述总差异度向量进行拟合,确定拟合函数,其中,所述拟合函数的导函数为所述修正参数。
6.如权利要求1所述的方法,其中,所述根据所述反应时间得分和所述作答情况得分,确定所述受测用户的认知能力评估结果包括:
确定与当前评估的能力类别对应的权重值;
根据所述权重值,对所述反应时间得分进行调整;
根据所述作答情况得分与调整后的反应时间得分,确定所述受测用户的所述认知能力评估结果。
7.如权利要求2所述的方法,其中,在根据所述任一用户集合中各用户的作答时间序列生成目标矩阵之前,所述方法还包括:
获取所述任一用户集合中各用户的作答时间序列;
对所述各用户的作答时间序列执行数据清洗操作,其中,所述数据清洗操作包括异常值删除、极端值修正、异常值替换、缺失值插补中的至少一种。
8.一种认知能力评估装置,包括:
获取模块,用于获取受测用户的作答时间序列和作答情况序列;
调用模块,用于调用与所述受测用户的属性匹配的作答时间常模矩阵;
第一确定模块,用于基于所述作答时间序列和所述作答时间常模矩阵,确定所述受测用户的反应时间得分;
第二确定模块,用于根据所述作答情况序列,确定所述受测用户的作答情况得分;
第三确定模块,用于根据所述反应时间得分和所述作答情况得分,确定所述受测用户的认知能力评估结果。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1-7中任一所述的方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111103201.0A CN113796834B (zh) | 2021-09-18 | 2021-09-18 | 认知能力评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111103201.0A CN113796834B (zh) | 2021-09-18 | 2021-09-18 | 认知能力评估方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113796834A true CN113796834A (zh) | 2021-12-17 |
CN113796834B CN113796834B (zh) | 2024-01-09 |
Family
ID=78896039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111103201.0A Active CN113796834B (zh) | 2021-09-18 | 2021-09-18 | 认知能力评估方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113796834B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117257304A (zh) * | 2023-11-22 | 2023-12-22 | 暗物智能科技(广州)有限公司 | 一种认知能力测评方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109559065A (zh) * | 2019-01-22 | 2019-04-02 | 华中师范大学 | 技能认知诊断方法及装置 |
CN111047207A (zh) * | 2019-12-19 | 2020-04-21 | 北京儒博科技有限公司 | 能力水平评估方法、装置、设备及存储介质 |
CN111582694A (zh) * | 2020-04-29 | 2020-08-25 | 腾讯科技(深圳)有限公司 | 一种学习评估方法及装置 |
CN111680216A (zh) * | 2020-05-06 | 2020-09-18 | 广州寄锦教育科技有限公司 | 一种试题推荐方法、系统、介质及设备 |
CN112002423A (zh) * | 2020-08-20 | 2020-11-27 | 北京智鼎优源管理咨询有限公司 | 基于连续作业法的在线心理测评方法和装置 |
KR20210015212A (ko) * | 2019-08-01 | 2021-02-10 | 김창환 | 복수의 과목들 각각에 대한 난이도별 문제 풀이를 기반으로 사용자의 인지 능력 평가 기능을 제공하는 인지 능력 평가 장치 |
US20210133853A1 (en) * | 2019-10-30 | 2021-05-06 | Royal Bank Of Canada | System and method for deep learning recommender |
US20210216719A1 (en) * | 2020-01-13 | 2021-07-15 | International Business Machines Corporation | Machine-learning based processing and reporting of proposal data |
-
2021
- 2021-09-18 CN CN202111103201.0A patent/CN113796834B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109559065A (zh) * | 2019-01-22 | 2019-04-02 | 华中师范大学 | 技能认知诊断方法及装置 |
KR20210015212A (ko) * | 2019-08-01 | 2021-02-10 | 김창환 | 복수의 과목들 각각에 대한 난이도별 문제 풀이를 기반으로 사용자의 인지 능력 평가 기능을 제공하는 인지 능력 평가 장치 |
US20210133853A1 (en) * | 2019-10-30 | 2021-05-06 | Royal Bank Of Canada | System and method for deep learning recommender |
CN111047207A (zh) * | 2019-12-19 | 2020-04-21 | 北京儒博科技有限公司 | 能力水平评估方法、装置、设备及存储介质 |
US20210216719A1 (en) * | 2020-01-13 | 2021-07-15 | International Business Machines Corporation | Machine-learning based processing and reporting of proposal data |
CN111582694A (zh) * | 2020-04-29 | 2020-08-25 | 腾讯科技(深圳)有限公司 | 一种学习评估方法及装置 |
CN111680216A (zh) * | 2020-05-06 | 2020-09-18 | 广州寄锦教育科技有限公司 | 一种试题推荐方法、系统、介质及设备 |
CN112002423A (zh) * | 2020-08-20 | 2020-11-27 | 北京智鼎优源管理咨询有限公司 | 基于连续作业法的在线心理测评方法和装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117257304A (zh) * | 2023-11-22 | 2023-12-22 | 暗物智能科技(广州)有限公司 | 一种认知能力测评方法、装置、电子设备及存储介质 |
CN117257304B (zh) * | 2023-11-22 | 2024-03-01 | 暗物智能科技(广州)有限公司 | 一种认知能力测评方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113796834B (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108334575B (zh) | 一种推荐结果排序修正方法及装置,电子设备 | |
JP2016091395A (ja) | 推定方法、推定システム、コンピュータ・システムおよびプログラム | |
CN108322317B (zh) | 一种账号识别关联方法及服务器 | |
KR20140055442A (ko) | 자동 채점 장치 및 방법 | |
US20170330556A1 (en) | Two-stage training of a spoken dialogue system | |
CN110569347A (zh) | 一种数据处理方法、装置、存储介质和电子设备 | |
CN114037003A (zh) | 问答模型的训练方法、装置及电子设备 | |
CN113796834A (zh) | 认知能力评估方法、装置、设备及存储介质 | |
CN110532485B (zh) | 基于多源数据融合的用户行为检测方法及装置 | |
WO2021135322A1 (zh) | 一种自动出题方法、装置及系统 | |
JP6647722B1 (ja) | 情報処理装置、情報処理方法、情報処理プログラム | |
CN108125686B (zh) | 一种反欺诈方法及系统 | |
CN112613189A (zh) | 一种考虑地震动幅值不确定性的建筑物易损性曲线建立方法及装置 | |
CN111209465B (zh) | 舆情告警方法、装置和电子设备 | |
CN113064690A (zh) | 一种处理方法、装置及电子设备 | |
KR20130086083A (ko) | 리스크-프로파일 생성 장치 | |
CN113673811A (zh) | 一种基于session的在线学习绩效评估方法及装置 | |
CN111768124A (zh) | 一种测试评估方法、系统、设备及计算机可读存储介质 | |
CN110472038A (zh) | 一种数据安全的评估方法、评估装置及可读存储介质 | |
CN115982455B (zh) | 基于模糊断点回归模型的流量调整方法、装置和电子设备 | |
JP7421207B2 (ja) | 情報処理方法、情報処理装置、記憶媒体、及びプログラム | |
CN110930244B (zh) | 用户信用调研评估值的计算方法及装置 | |
JP7295207B1 (ja) | 調査集計システム | |
US11749297B2 (en) | Audio quality estimation apparatus, audio quality estimation method and program | |
US20240145087A1 (en) | Systems and methods for machine learning-based predictive matching |
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 |