CN113920396B - 一种特殊岗位人员视觉认知能力量化评测方法、系统及评测设备 - Google Patents
一种特殊岗位人员视觉认知能力量化评测方法、系统及评测设备 Download PDFInfo
- Publication number
- CN113920396B CN113920396B CN202111169858.7A CN202111169858A CN113920396B CN 113920396 B CN113920396 B CN 113920396B CN 202111169858 A CN202111169858 A CN 202111169858A CN 113920396 B CN113920396 B CN 113920396B
- Authority
- CN
- China
- Prior art keywords
- ability
- evaluation
- image
- visual
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种特殊岗位人员视觉认知能力量化评测方法、系统及评测设备。所述方法包括:获取评测请求人每个题目的答题数据,所述答题数据包括图像题目的答题数据,所述图像题目所用的图像为基于深度学习得到的模拟特殊岗位业务场景的图像,所述深度学习为生成对抗网络,所述图像题目所用的图像为基于生成对抗网络得到的模拟特殊岗位业务场景的图像;对所述评测请求人的答题数据进行交互时间长短的分析、交互结果准确率的分析,综合所述分析,得到量化的评测请求人的视觉认知能力得分;输出所述评测请求人的视觉认知能力得分。本发明通过信息化手段研制特殊岗位视觉认知效能量化评测体系的软件系统,具有重要的应用价值。
Description
技术领域
本发明涉及智能系统领域,更具体地,涉及一种特殊岗位人员视觉认知能力量化评测方法、系统、评测设备和计算机可读存储介质。
背景技术
为了适应对视觉认知有较高要求的特殊岗位人员队伍建设的需要,建立科学的视觉认知能力评测与训练体系,基于信息化的手段对特殊岗位人员进行科学评测,将合适的人员安排到合适的岗位。同时对特殊岗位人员视觉认知能力进行持续跟踪,有针对性的进行视觉认知能力训练。然而,现有的针对特殊岗位专业能力评测方法都无法实现准确的评测和训练,尤其是视觉认知能力的评测和训练,故而,本申请通过信息化手段研制特殊岗位视觉认知效能量化评测体系的软件系统,支撑特殊岗位人员视觉认知能力的评测和训练。
发明内容
本申请的目的在于提供一种特殊岗位人员视觉认知能力量化评测方法,包括:
获取评测请求人每个题目的答题数据,所述答题数据包括图像题目的答题数据,所述图像题目所用的图像为基于深度学习得到的模拟特殊岗位业务场景的图像,所述深度学习为生成对抗网络,所述图像题目所用的图像为基于生成对抗网络得到的模拟特殊岗位业务场景的图像,所述图像题目所用的图像生成方法包括:生成噪音序列;将所述噪音序列输入预先训练的生成对抗网络模型,生成模拟特殊岗位业务场景的图像;
对所述评测请求人的答题数据进行交互时间长短的分析、交互结果准确率的分析,综合所述分析,得到量化的评测请求人的视觉认知能力得分;
输出所述评测请求人的视觉认知能力得分。
进一步,所述预先训练的生成对抗网络模型的训练方法包括:
截取特殊岗位日常训练所用图像作为真实样本训练集图像;
在噪声序列中随机采样,输入生成器中,得到假样本训练集图像;
将所述真实样本训练集图像和所述假样本训练集图像输入判别器中,判别器输出值为图像属于真实样本的概率;
根据得到的概率值和损失函数计算损失值;
根据判别器和生成器的损失值,利用反向传播算法计算梯度,利用优化器更新判别器和生成器的参数,得到训练的生成对抗网络模型。
可选的,所述截取特殊岗位日常训练所用图像为分别反映视觉能力、关注力能力、记忆能力、心理承受能力、专业能力的图像,采用反映视觉能力的图像作为真实样本训练集图像训练生成对抗网络模型,得到生成视觉能力的图像的生成对抗网络模型;采用反映关注力能力的图像作为真实样本训练集图像训练生成对抗网络模型,得到生成关注力能力的图像的生成对抗网络模型;采用反映记忆能力的图像作为真实样本训练集图像训练生成对抗网络模型,得到生成记忆能力的图像的生成对抗网络模型;采用反映心理承受能力的图像作为真实样本训练集图像训练生成对抗网络模型,得到生成心理承受能力的图像的生成对抗网络模型;采用反映专业能力的图像作为真实样本训练集图像训练生成对抗网络模型,得到生成专业能力的图像的生成对抗网络模型。
进一步,获取评测请求人的答题数据包括评测请求人每道题目的交互时间、评测请求人每道题目的交互结果,所述交互结果为将评测请求人的答题结果与题目的答案进行比较,获得答题准确与否的交互结果;
可选的,所述题目的答案包括图像题目的答案,所述图像题目的答案为采用预先训练的目标检测模型对所述生成对抗网络得到的模拟特殊岗位业务场景的图像生成的图像题目的答案。
进一步,所述预先训练的目标检测模型的训练方法包括:
获取训练样本的集合,标定每个训练样本中的带检测目标区域,所述训练样本为所述生成对抗网络得到的模拟特殊岗位业务场景的图像,或所述生成对抗网络得到的模拟特殊岗位业务场景的图像和原始目标图像的混合;
将所述生成对抗网络得到的模拟特殊岗位业务场景的图像或所述生成对抗网络得到的模拟特殊岗位业务场景的图像和原始目标图像的混合输入目标检测模型进行目标检测训练,得到预先训练的目标检测模型;
可选的,所述目标检测模型为Faster RCNN、Mask R-CNN或Cascade R-CNN目标检测模型。
进一步,所述每个题目根据反映能力的不同进行标签,所述能力包括视觉能力、关注力能力、记忆能力、心理承受能力、专业能力。
进一步,所述视觉认知能力量化评测方法,包括:
获取评测请求人每个题目的答题数据,根据所述标签,对所述评测请求人的答题数据进行分类,所述答题数据分类为:视觉能力评测答题数据、关注力能力评测答题数据、记忆力能力评测答题数据、心理承受能力评测数据、专业能力评测答题数据;
对所述视觉能力评测答题数据进行分析获得评测请求人的视觉能力得分,对所述关注力能力评测答题数据进行分析获得评测请求人的关注力能力得分,对所述记忆力能力评测答题数据进行分析获得评测请求人的记忆能力得分,对所述心理承受能力评测数据进行分析获得评测请求人的心理承受能力得分,对所述专业能力评测答题数据进行分析获得评测请求人的专业能力得分;
以所述视觉能力得分、关注力能力得分、记忆能力得分、心理承受能力得分、专业能力得分为基础,获得所述评测请求人的视觉认知能力得分。
进一步,所述所述评测请求人的视觉认知能力得分由所述视觉能力得分、关注力能力得分、记忆能力得分、心理承受能力得分、专业能力得分及其各自的权重决定,所述评估结果为:
其中,S为视觉认知能力得分,Si为视觉能力得分、关注力能力得分、记忆能力得分、心理承受能力得分或专业能力得分,Ai为每种能力得分对应的权重。
本发明的目的在于提供一种特殊岗位人员视觉认知能力量化评测设备,所述设备包括:存储器和处理器;
所述存储器用于存储程序指令;
所述处理器用于调用程序指令,当程序指令被执行时,用于执行以下操作:
生成题目,所述题目包括图像题目,所述图像题目所用的图像为基于深度学习得到的模拟特殊岗位业务场景的图像,所述深度学习为生成对抗网络,所述图像题目所用的图像为基于生成对抗网络得到的模拟特殊岗位业务场景的图像,所述图像题目所用的图像生成方法包括:生成噪音序列;将所述噪音序列输入预先训练的生成对抗网络模型,生成模拟特殊岗位业务场景的图像;
获取评测请求人每个题目的答题数据,所述答题数据包括图像题目的答题数据;
对所述评测请求人的答题数据进行交互时间长短的分析、交互结果准确率的分析,综合所述分析,得到量化的评测请求人的视觉认知能力得分;
输出所述评测请求人的视觉认知能力得分。
可选的,生成题目还包括生成题目的答案,所述题目包括图像题目,所述图像题目所用的图像为基于生成对抗网络得到的模拟特殊岗位业务场景的图像;所述题目的答案为采用预先训练的目标检测模型对所述生成对抗网络得到的模拟特殊岗位业务场景的图像生成的图像题目的答案;
可选的,生成题目还包括生成题目的标签,根据题目反映能力的不同进行标签,所述能力包括视觉能力、关注力能力、记忆能力、心理承受能力、专业能力。
本发明的目的在于提供一种特殊岗位人员视觉认知能力量化评测系统,包括:
生成单元,用于生成题目,所述题目包括图像题目,所述图像题目所用的图像为基于深度学习得到的模拟特殊岗位业务场景的图像,所述深度学习为生成对抗网络,所述图像题目所用的图像为基于生成对抗网络得到的模拟特殊岗位业务场景的图像,所述图像题目所用的图像生成方法包括:生成噪音序列;将所述噪音序列输入预先训练的生成对抗网络模型,生成模拟特殊岗位业务场景的图像;
获取单元,用于获取评测请求人的答题数据,所述答题数据包括图像题目的答题数据;
处理单元,用于对所述评测请求人的答题数据进行交互时间长短的分析、交互结果准确率的分析,综合所述分析,得到量化的评测请求人的视觉认知能力得分;
显示单元,用于输出所述评测请求人的视觉认知能力得分。
可选的,生成单元,用于生成题目及题目的答案,所述题目包括图像题目,所述图像题目所用的图像为基于生成对抗网络得到的模拟特殊岗位业务场景的图像;所述题目的答案为采用预先训练的目标检测模型对所述生成对抗网络得到的模拟特殊岗位业务场景的图像生成的图像题目的答案。
可选的,生成单元,用于生成题目、题目的答案及题目的标签,所述题目包括图像题目,所述图像题目所用的图像为基于生成对抗网络得到的模拟特殊岗位业务场景的图像;所述题目的答案为采用预先训练的目标检测模型对所述生成对抗网络得到的模拟特殊岗位业务场景的图像生成的图像题目的答案;所述题目的标签,根据题目反映能力的不同进行标签,所述能力包括视觉能力、关注力能力、记忆能力、心理承受能力、专业能力。
可选的,还包括比对单元,用于将所述评测请求人的视觉认知能力得分和所述评测请求人历史评估结果进行比对,或将所述评测请求人的视觉认知能力得分和特殊岗位能力要求目标得分进行比对。
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上述的特殊岗位人员视觉认知能力量化评测方法。
本申请的优点:
1.基于信息化的手段对特殊岗位人员的视觉认知能力进行科学评测,采用人工智能领域的生成对抗网络,结合特殊岗位日常训练所用图像,实现题库的图像题目自动生成,避免单一题目起不到训练和评测效果的问题;
2.基于信息化的手段不仅实现系统中题库的图像题目自动生成,还可以实现题库的图像题目答案自动生成,为了实现答案的高准确性,将所述生成对抗网络得到的模拟特殊岗位业务场景的图像和原始目标图像的混合输入目标检测模型进行目标检测训练;
3.根据系统中每个题目反映能力的不同进行标签,对评测请求人视觉能力、关注力能力、记忆能力、心理承受能力、专业能力等多个维度的训练和评测,建立了更加完善、科学和合理的特殊岗位人员综合能力评测体系,为了更准确的评测上述5种能力,分别采用反映各自能力的图像作为训练图像分别训练生成对抗网络模型,得到5种生成对抗网络模型,用以更加准确的生成反映各自能力的图像;
4.通过对评测请求人的视觉认知能力得分和特殊岗位能力要求目标得分进行比对,最大程度实现能力和岗位的匹配;
5.通过对评测请求人的视觉认知能力得分及其历史评估结果进行比对,得出评测请求人视觉认知能力动态进展报告,有利于评测请求人及其管理人员及时了解情况,并制定有效的训练方案。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获取其他的附图。
图1是本发明实施例提供的一种特殊岗位人员视觉认知能力量化评测方法示意流程图;
图2是本发明实施例提供的一种特殊岗位人员视觉认知能力量化评测系统示意图;
图3是本发明实施例提供的一种特殊岗位人员视觉认知能力量化评测设备示意图;
图4是本发明实施例提供的闪动测试示意图;
图5是本发明实施例提供的视觉记忆力测试示意图;
图6是本发明实施例提供的以雷达图的方式输出评测请求人的视觉认知能力得分示意图;
图7是本发明实施例提供的评测请求人视觉认知能力动态进展报告示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如S101、S102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获取的所有其他实施例,都属于本发明保护的范围。
图1是本发明实施例提供的一种特殊岗位人员视觉认知能力量化评测方法示意流程图,具体地,所述方法包括如下步骤:
S101:获取评测请求人每个题目的答题数据,所述答题数据包括图像题目的答题数据,所述图像题目所用的图像为基于深度学习得到的模拟特殊岗位业务场景的图像,所述深度学习为生成对抗网络,所述图像题目所用的图像为基于生成对抗网络得到的模拟特殊岗位业务场景的图像,所述图像题目所用的图像生成方法包括:生成噪音序列;将所述噪音序列输入预先训练的生成对抗网络模型,生成模拟特殊岗位业务场景的图像;
在一个实施例中,所述预先训练的生成对抗网络模型的训练方法包括:
截取特殊岗位日常训练所用图像作为真实样本训练集图像;
在噪声序列中随机采样,输入生成器中,得到假样本训练集图像;
将所述真实样本训练集图像和所述假样本训练集图像输入判别器中,判别器输出值为图像属于真实样本的概率;
根据得到的概率值和损失函数计算损失值;
根据判别器和生成器的损失值,利用反向传播算法计算梯度,利用优化器更新判别器和生成器的参数,得到训练的生成对抗网络模型。
在一个实施例中,所述截取特殊岗位日常训练所用图像为分别反映视觉能力、关注力能力、记忆能力、心理承受能力、专业能力的图像,采用反映视觉能力的图像作为真实样本训练集图像训练生成对抗网络模型,得到生成视觉能力的图像的生成对抗网络模型;采用反映关注力能力的图像作为真实样本训练集图像训练生成对抗网络模型,得到生成关注力能力的图像的生成对抗网络模型;采用反映记忆能力的图像作为真实样本训练集图像训练生成对抗网络模型,得到生成记忆能力的图像的生成对抗网络模型;采用反映心理承受能力的图像作为真实样本训练集图像训练生成对抗网络模型,得到生成心理承受能力的图像的生成对抗网络模型;采用反映专业能力的图像作为真实样本训练集图像训练生成对抗网络模型,得到生成专业能力的图像的生成对抗网络模型。
在一个实施例中,所述图像题目所用的图像为基于生成对抗网络得到的模拟特殊岗位业务场景的图像,所述基于生成对抗网络得到的模拟特殊岗位业务场景的图像分别为基于生成视觉能力的图像的生成对抗网络模型得到的视觉能力相关的图像,基于生成关注力能力的图像的生成对抗网络模型得到的关注力能力相关的图像,基于生成记忆能力的图像的生成对抗网络模型得到的记忆能力相关的图像,基于生成心理承受能力的图像的生成对抗网络模型得到的心理承受能力相关的图像,基于生成专业能力的图像的生成对抗网络模型得到的专业能力相关的图像。
在一个实施例中,所述生成对抗网络可以是下列几种生成对抗网络中的一种或几种:CGAN、DCGAN、iGAN、LAPGAN、SimGAN、InfoGAN、AC-GAN等。
在一个实施例中,所述特殊岗位为雷达操作人员,所述特殊岗位日常训练所用图像为雷达操作人员日常训练所用图像。采用日常训练所用图像能最大程度的达到仿真训练效果。
S102:对所述评测请求人的答题数据进行交互时间长短的分析、交互结果准确率的分析,综合所述分析,得到量化的评测请求人的视觉认知能力得分;
在一个实施例中,获取评测请求人的答题数据包括评测请求人每道题目的交互时间、评测请求人每道题目的交互结果,所述交互结果为将评测请求人的答题结果与题目的答案进行比较,获得答题准确与否的交互结果。
在一个实施例中,所述题目的答案包括图像题目的答案,所述图像题目的答案为采用预先训练的目标检测模型对所述生成对抗网络得到的模拟特殊岗位业务场景的图像生成的图像题目的答案。
在一个实施例中,所述预先训练的目标检测模型的训练方法包括:
获取训练样本的集合,标定每个训练样本中的带检测目标区域,所述训练样本为所述生成对抗网络得到的模拟特殊岗位业务场景的图像,或所述生成对抗网络得到的模拟特殊岗位业务场景的图像和原始目标图像的混合;
将所述生成对抗网络得到的模拟特殊岗位业务场景的图像或所述生成对抗网络得到的模拟特殊岗位业务场景的图像和原始目标图像的混合输入目标检测模型进行目标检测训练,得到预先训练的目标检测模型;
在一个实施例中,所述目标检测模型为Faster RCNN、Mask R-CNN或Cascade R-CNN目标检测模型。
在一个实施例中,所述每个题目根据反映能力的不同进行标签,所述能力包括视觉能力、关注力能力、记忆能力、心理承受能力、专业能力。
视觉能力主要评测特殊岗位人员的视力、视觉分辨能力等。
关注力(又称注意力)主要评测特殊岗位人员心理活动视觉指向和集中于某种事物的能力。关注力有两个基本特征,一个是指向性,是指心理活动有选择的反映一些现象而离开其余对象。二是集中性,是指心理活动停留在被选择对象上的强度或紧张。指向性表现为对出现在同一时间的许多刺激的选择;集中性表现为对干扰刺激的抑制。它的产生及其范围和持续时间取决于外部刺激的特点和人的主观因素。
记忆力主要评测特殊岗位人员视觉通道对客观事物关注后在大脑中的存留印记。
心理承受能力:主要评测特殊岗位人员对逆境引起的心理压力和负性情绪的承受与调节的能力,主要是对逆境的适应力、容忍力、耐力、战胜力的强弱。
专业能力:主要评测特殊岗位人员的专业技能。
在一个实施例中,所述每个题目根据反映能力的不同进行标签,其中反映雷达操作人员专业能力的题目包括闪动测试(见图4),所述闪动测试是在屏幕出现的很多圆点中点击发生变化的圆点,记录评测请求人在答题过程中的交互时间记录和交互结果记录,对所述评测请求人的闪动测试的答题数据进行交互时间长短的分析、交互结果准确率的分析,得到量化的评测请求人的所述闪动测试的得分,所述得分归属于评测请求人的专业能力得分。
在一个实施例中,所述每个题目根据反映能力的不同进行标签,其中反映雷达操作人员记忆力能力的题目包括记忆力测试(见图5),所述视觉记忆力测试为在屏幕上依次有方块闪动,要求评测请求人依方块闪动的次序去点击,记录评测请求人在答题过程中的交互时间记录和交互结果记录,对所述评测请求人的闪动测试的答题数据进行交互时间长短的分析、交互结果准确率的分析,得到量化的评测请求人的视觉记忆力测试的得分,所述得分归属于评测请求人的记忆力能力得分。
在一个实施例中,所述每个题目都有对应的难度等级标签,根据评测请求人的历史答题数据或历史得分,从题库中选取与评测请求人能力匹配的难度等级的试题,进行训练。
在一个实施例中,所述视觉认知能力量化评测方法,包括:
获取评测请求人每个题目的答题数据,根据所述标签,对所述评测请求人的答题数据进行分类,所述答题数据分类为:视觉能力评测答题数据、关注力能力评测答题数据、记忆力能力评测答题数据、心理承受能力评测数据、专业能力评测答题数据;
对所述视觉能力评测答题数据进行分析获得评测请求人的视觉能力得分,对所述关注力能力评测答题数据进行分析获得评测请求人的关注力能力得分,对所述记忆力能力评测答题数据进行分析获得评测请求人的记忆能力得分,对所述心理承受能力评测数据进行分析获得评测请求人的心理承受能力得分,对所述专业能力评测答题数据进行分析获得评测请求人的专业能力得分;
以所述视觉能力得分、关注力能力得分、记忆能力得分、心理承受能力得分、专业能力得分为基础,获得所述评测请求人的视觉认知能力得分。
在一个实施例中,所述评测请求人的视觉认知能力得分由所述视觉能力得分、关注力能力得分、记忆力能力得分、心理承受能力得分、专业能力得分及其各自的权重决定,所述视觉认知能力得分为:
其中,S为视觉认知能力得分,Si为视觉能力得分、关注力能力得分、记忆能力得分、心理承受能力得分或专业能力得分,Ai为每种能力得分对应的权重。
S103:输出所述评测请求人的视觉认知能力得分。
在一个实施例中,通过可视化方式输出所述评测请求人的视觉认知能力得分,包括视觉能力得分、关注力能力得分、记忆力能力得分、心理承受能力得分、专业能力得分各自的得分情况,直观展示评测结果。可选的,可视化方式可以是雷达图(如图6所示)、柱状图、饼图、气泡图等方式。
在一个实施例中,将所述评测请求人的视觉认知能力得分和所述评测请求人历史评估结果进行比对,得出评测请求人视觉认知能力动态进展报告(如图7所示)。该动态进展报告有利于评测请求人及其管理人员及时了解情况,并制定有效的训练方案。
在一个实施例中,将所述评测请求人的视觉能力得分、关注力能力得分、记忆力能力得分、心理承受能力得分、专业能力得分各自的得分情况和所述评测请求人历史视觉能力得分、关注力能力得分、记忆力能力得分、心理承受能力得分、专业能力得分各自的得分结果进行比对,得出评测请求人视觉认知能力动态进展报告。
在一个实施例中,将所述评测请求人的视觉认知能力得分和特殊岗位能力要求目标得分进行比对,得出评测请求人视觉认知能力与该特殊岗位能力要求匹配程度的结果。该匹配结果有利于将合适的人才匹配合适的岗位,最大程度实现能力和岗位的匹配。
在一个实施例中,将所述评测请求人的视觉能力得分、关注力能力得分、记忆力能力得分、心理承受能力得分、专业能力得分各自的得分情况和特殊岗位对所述视觉能力得分、关注力能力得分、记忆力能力得分、心理承受能力得分、专业能力得分要求目标进行比对,得出评测请求人视觉认知能力与该特殊岗位能力要求匹配程度的结果。
图2是本发明实施例提供的一种特殊岗位人员视觉认知能力量化评测设备,所述设备包括:存储器和处理器;
所述存储器用于存储程序指令;
所述处理器用于调用程序指令,当程序指令被执行时,用于执行以下操作:
生成题目,所述题目包括图像题目,所述图像题目所用的图像为基于深度学习得到的模拟特殊岗位业务场景的图像,所述深度学习为生成对抗网络,所述图像题目所用的图像为基于生成对抗网络得到的模拟特殊岗位业务场景的图像,所述图像题目所用的图像生成方法包括:生成噪音序列;将所述噪音序列输入预先训练的生成对抗网络模型,生成模拟特殊岗位业务场景的图像;
获取评测请求人每个题目的答题数据,所述答题数据包括图像题目的答题数据;
对所述评测请求人的答题数据进行交互时间长短的分析、交互结果准确率的分析,综合所述分析,得到量化的评测请求人的视觉认知能力得分;
输出所述评测请求人的视觉认知能力得分。
在一个实施例中,生成题目还包括生成题目的答案,所述题目包括图像题目,所述图像题目所用的图像为基于生成对抗网络得到的模拟特殊岗位业务场景的图像;所述题目的答案为采用预先训练的目标检测模型对所述生成对抗网络得到的模拟特殊岗位业务场景的图像生成的图像题目的答案。
在一个实施例中,生成题目还包括生成题目的标签,根据题目反映能力的不同进行标签,所述能力包括视觉能力、关注力能力、记忆能力、心理承受能力、专业能力。
在一个实施例中,将所述评测请求人的视觉认知能力得分和所述评测请求人历史评估结果进行比对,或将所述评测请求人的视觉认知能力得分和特殊岗位能力要求目标得分进行比对。
图3是本发明实施例提供的一种特殊岗位人员视觉认知能力量化评测系统,包括:
生成单元301,用于生成题目,所述题目包括图像题目,所述图像题目所用的图像为基于深度学习得到的模拟特殊岗位业务场景的图像,所述深度学习为生成对抗网络,所述图像题目所用的图像为基于生成对抗网络得到的模拟特殊岗位业务场景的图像,所述图像题目所用的图像生成方法包括:生成噪音序列;将所述噪音序列输入预先训练的生成对抗网络模型,生成模拟特殊岗位业务场景的图像;
获取单元302,用于获取评测请求人的答题数据,所述答题数据包括图像题目的答题数据;
处理单元303,用于对所述评测请求人的答题数据进行交互时间长短的分析、交互结果准确率的分析,综合所述分析,得到量化的评测请求人的视觉认知能力得分;
显示单元304,用于输出所述评测请求人的视觉认知能力得分。
在一个实施例中,本发明实施例提供的一种特殊岗位人员视觉认知能力量化评测系统,包括:
生成单元301,用于生成题目,所述题目包括图像题目,所述图像题目所用的图像为基于深度学习得到的模拟特殊岗位业务场景的图像,所述深度学习为生成对抗网络,所述图像题目所用的图像为基于生成对抗网络得到的模拟特殊岗位业务场景的图像,所述图像题目所用的图像生成方法包括:生成噪音序列;将所述噪音序列输入预先训练的生成对抗网络模型,生成模拟特殊岗位业务场景的图像;
获取单元302,用于获取评测请求人的答题数据,所述答题数据包括图像题目的答题数据;
处理单元303,用于对所述评测请求人的答题数据进行交互时间长短的分析、交互结果准确率的分析,综合所述分析,得到量化的评测请求人的视觉认知能力得分;
显示单元304,用于输出所述评测请求人的视觉认知能力得分;
比对单元305,用于将所述评测请求人的视觉认知能力得分和所述评测请求人历史评估结果进行比对,或将所述评测请求人的视觉认知能力得分和特殊岗位能力要求目标得分进行比对。
在一个实施例中,生成单元301,用于生成题目和题目的答案,所述题目包括图像题目,所述图像题目所用的图像为基于生成对抗网络得到的模拟特殊岗位业务场景的图像;所述题目的答案为采用预先训练的目标检测模型对所述生成对抗网络得到的模拟特殊岗位业务场景的图像生成的图像题目的答案。
在一个实施例中,生成单元301,用于生成题目、题目的答案及题目的标签,所述题目包括图像题目,所述图像题目所用的图像为基于生成对抗网络得到的模拟特殊岗位业务场景的图像;所述题目的答案为采用预先训练的目标检测模型对所述生成对抗网络得到的模拟特殊岗位业务场景的图像生成的图像题目的答案;所述题目的标签,根据题目反映能力的不同进行标签,所述能力包括视觉能力、关注力能力、记忆能力、心理承受能力、专业能力。
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上述的特殊岗位人员视觉认知能力量化评测方法。
本验证实施例的验证结果表明,为适应症分配固有权重相对于默认设置来说可以适度改善本方法的性能。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上对本发明所提供的一种计算机设备进行了详细介绍,对于本领域的一般技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (16)
1.一种特殊岗位人员视觉认知能力量化评测方法,包括:
获取评测请求人每个题目的答题数据,所述答题数据包括图像题目的答题数据,所述图像题目所用的图像为基于深度学习得到的模拟特殊岗位业务场景的图像,所述深度学习为生成对抗网络,所述图像题目所用的图像为基于生成对抗网络得到的模拟特殊岗位业务场景的图像,所述图像题目所用的图像生成方法包括:生成噪音序列;将所述噪音序列输入预先训练的生成对抗网络模型,生成模拟特殊岗位业务场景的图像,所述每个题目根据反映能力的不同进行标签,所述能力包括视觉能力、关注力能力、记忆能力、心理承受能力、专业能力,所述获取评测请求人的答题数据包括评测请求人每道题目的交互时间、评测请求人每道题目的交互结果,所述交互结果为将评测请求人的答题结果与题目的答案进行比较,获得答题准确与否的交互结果,所述题目的答案包括图像题目的答案,所述图像题目的答案为采用预先训练的目标检测模型对所述生成对抗网络得到的模拟特殊岗位业务场景的图像生成的图像题目的答案;
所述预先训练的目标检测模型的训练方法包括:
获取训练样本的集合,标定每个训练样本中的待检测目标区域,所述训练样本为所述生成对抗网络得到的模拟特殊岗位业务场景的图像,或所述生成对抗网络得到的模拟特殊岗位业务场景的图像和原始目标图像的混合;
将所述生成对抗网络得到的模拟特殊岗位业务场景的图像或所述生成对抗网络得到的模拟特殊岗位业务场景的图像和原始目标图像的混合输入目标检测模型进行目标检测训练,得到预先训练的目标检测模型;
其中所述专业能力的题目包括闪动测试,所述闪动测试是在屏幕出现的很多圆点中点击发生变化的圆点,记录评测请求人在答题过程中的交互时间记录和交互结果记录,对所述评测请求人的闪动测试的答题数据进行交互时间长短的分析、交互结果准确率的分析,得到量化的评测请求人的所述闪动测试的得分,所述得分归属于评测请求人的专业能力得分;
对所述评测请求人的答题数据进行交互时间长短的分析、交互结果准确率的分析,综合所述分析,得到量化的评测请求人的视觉认知能力得分;
输出所述评测请求人的视觉认知能力得分,所述能力包括视觉能力、关注力能力、记忆能力、心理承受能力、专业能力。
2.根据权利要求1所述视觉认知能力量化评测方法,其特征在于,所述预先训练的生成对抗网络模型的训练方法包括:
截取特殊岗位日常训练所用图像作为真实样本训练集图像;
在噪声序列中随机采样,输入生成器中,得到假样本训练集图像;
将所述真实样本训练集图像和所述假样本训练集图像输入判别器中,判别器输出值为图像属于真实样本的概率;
根据得到的概率值和损失函数计算损失值;
根据判别器和生成器的损失值,利用反向传播算法计算梯度,利用优化器更新判别器和生成器的参数,得到训练的生成对抗网络模型。
3.根据权利要求2所述视觉认知能力量化评测方法,其特征在于,所述截取特殊岗位日常训练所用图像为分别反映视觉能力、关注力能力、记忆能力、心理承受能力、专业能力的图像,采用反映视觉能力的图像作为真实样本训练集图像训练生成对抗网络模型,得到生成视觉能力的图像的生成对抗网络模型;采用反映关注力能力的图像作为真实样本训练集图像训练生成对抗网络模型,得到生成关注力能力的图像的生成对抗网络模型;采用反映记忆能力的图像作为真实样本训练集图像训练生成对抗网络模型,得到生成记忆能力的图像的生成对抗网络模型;采用反映心理承受能力的图像作为真实样本训练集图像训练生成对抗网络模型,得到生成心理承受能力的图像的生成对抗网络模型;采用反映专业能力的图像作为真实样本训练集图像训练生成对抗网络模型,得到生成专业能力的图像的生成对抗网络模型。
4.根据权利要求1所述的视觉认知能力量化评测方法,其特征在于,所述目标检测模型为Faster RCNN、Mask R-CNN或Cascade R-CNN目标检测模型。
5.根据权利要求1-4任意一项所述的视觉认知能力量化评测方法,其特征在于,所述每个题目根据反映能力的不同进行标签,所述能力包括视觉能力、关注力能力、记忆能力、心理承受能力、专业能力,所述记忆能力的题目包括记忆力测试,所述视觉记忆力测试为在屏幕上依次有方块闪动,要求评测请求人依方块闪动的次序去点击,记录评测请求人在答题过程中的交互时间记录和交互结果记录,对所述评测请求人的闪动测试的答题数据进行交互时间长短的分析、交互结果准确率的分析,得到量化的评测请求人的视觉记忆力测试的得分,所述得分归属于评测请求人的记忆力能力得分。
6.根据权利要求5所述视觉认知能力量化评测方法,其特征在于,包括:
获取评测请求人每个题目的答题数据,根据所述标签,对所述评测请求人的答题数据进行分类,所述答题数据分类为:视觉能力评测答题数据、关注力能力评测答题数据、记忆力能力评测答题数据、心理承受能力评测数据、专业能力评测答题数据;
对所述视觉能力评测答题数据进行分析获得评测请求人的视觉能力得分,对所述关注力能力评测答题数据进行分析获得评测请求人的关注力能力得分,对所述记忆力能力评测答题数据进行分析获得评测请求人的记忆能力得分,对所述心理承受能力评测数据进行分析获得评测请求人的心理承受能力得分,对所述专业能力评测答题数据进行分析获得评测请求人的专业能力得分;
以所述视觉能力得分、关注力能力得分、记忆能力得分、心理承受能力得分、专业能力得分为基础,获得所述评测请求人的视觉认知能力得分。
8.一种特殊岗位人员视觉认知能力量化评测设备,所述设备包括:存储器和处理器;
所述存储器用于存储程序指令;
所述处理器用于调用程序指令,当程序指令被执行时,用于执行权利要求1-7任意一项所述的特殊岗位人员视觉认知能力量化评测方法。
9.一种特殊岗位人员视觉认知能力量化评测系统,包括:
生成单元,用于生成题目,所述题目包括图像题目,所述图像题目所用的图像为基于深度学习得到的模拟特殊岗位业务场景的图像,所述深度学习为生成对抗网络,所述图像题目所用的图像为基于生成对抗网络得到的模拟特殊岗位业务场景的图像,所述图像题目所用的图像生成方法包括:生成噪音序列;将所述噪音序列输入预先训练的生成对抗网络模型,生成模拟特殊岗位业务场景的图像,每个题目根据反映能力的不同进行标签,所述能力包括视觉能力、关注力能力、记忆能力、心理承受能力、专业能力,获取评测请求人的答题数据包括评测请求人每道题目的交互时间、评测请求人每道题目的交互结果,所述交互结果为将评测请求人的答题结果与题目的答案进行比较,获得答题准确与否的交互结果,所述题目的答案包括图像题目的答案,所述图像题目的答案为采用预先训练的目标检测模型对所述生成对抗网络得到的模拟特殊岗位业务场景的图像生成的图像题目的答案;所述预先训练的目标检测模型的训练方法包括:
获取训练样本的集合,标定每个训练样本中的待检测目标区域,所述训练样本为所述生成对抗网络得到的模拟特殊岗位业务场景的图像,或所述生成对抗网络得到的模拟特殊岗位业务场景的图像和原始目标图像的混合;
将所述生成对抗网络得到的模拟特殊岗位业务场景的图像或所述生成对抗网络得到的模拟特殊岗位业务场景的图像和原始目标图像的混合输入目标检测模型进行目标检测训练,得到预先训练的目标检测模型;
其中所述专业能力的题目包括闪动测试,所述闪动测试是在屏幕出现的很多圆点中点击发生变化的圆点,记录评测请求人在答题过程中的交互时间记录和交互结果记录,对所述评测请求人的闪动测试的答题数据进行交互时间长短的分析、交互结果准确率的分析,得到量化的评测请求人的所述闪动测试的得分,所述得分归属于评测请求人的专业能力得分;
获取单元,用于获取评测请求人的答题数据,所述答题数据包括图像题目的答题数据;
处理单元,用于对所述评测请求人的答题数据进行交互时间长短的分析、交互结果准确率的分析,综合所述分析,得到量化的评测请求人的视觉认知能力得分;
显示单元,用于输出所述评测请求人的视觉认知能力得分,所述能力包括视觉能力、关注力能力、记忆能力、心理承受能力、专业能力。
10.根据权利要求9所述的特殊岗位人员视觉认知能力量化评测系统,其特征在于,所述评测系统还包括比对单元,用于将所述评测请求人的视觉认知能力得分和所述评测请求人历史评估结果进行比对,或将所述评测请求人的视觉认知能力得分和特殊岗位能力要求目标得分进行比对。
11.根据权利要求9所述的特殊岗位人员视觉认知能力量化评测系统,其特征在于,截取特殊岗位日常训练所用图像为分别反映视觉能力、关注力能力、记忆能力、心理承受能力、专业能力的图像,采用反映视觉能力的图像作为真实样本训练集图像训练生成对抗网络模型,得到生成视觉能力的图像的生成对抗网络模型;采用反映关注力能力的图像作为真实样本训练集图像训练生成对抗网络模型,得到生成关注力能力的图像的生成对抗网络模型;采用反映记忆能力的图像作为真实样本训练集图像训练生成对抗网络模型,得到生成记忆能力的图像的生成对抗网络模型;采用反映心理承受能力的图像作为真实样本训练集图像训练生成对抗网络模型,得到生成心理承受能力的图像的生成对抗网络模型;采用反映专业能力的图像作为真实样本训练集图像训练生成对抗网络模型,得到生成专业能力的图像的生成对抗网络模型。
12.根据权利要求9所述的特殊岗位人员视觉认知能力量化评测系统,其特征在于,所述目标检测模型为Faster RCNN、Mask R-CNN或Cascade R-CNN目标检测模型。
13.根据权利要求9-12任意一项所述的特殊岗位人员视觉认知能力量化评测系统,其特征在于,所述每个题目根据反映能力的不同进行标签,所述能力包括视觉能力、关注力能力、记忆能力、心理承受能力、专业能力,所述记忆能力的题目包括记忆力测试,所述视觉记忆力测试为在屏幕上依次有方块闪动,要求评测请求人依方块闪动的次序去点击,记录评测请求人在答题过程中的交互时间记录和交互结果记录,对所述评测请求人的闪动测试的答题数据进行交互时间长短的分析、交互结果准确率的分析,得到量化的评测请求人的视觉记忆力测试的得分,所述得分归属于评测请求人的记忆力能力得分。
14.根据权利要求13所述的特殊岗位人员视觉认知能力量化评测系统,其特征在于,获取评测请求人每个题目的答题数据,根据所述标签,对所述评测请求人的答题数据进行分类,所述答题数据分类为:视觉能力评测答题数据、关注力能力评测答题数据、记忆力能力评测答题数据、心理承受能力评测数据、专业能力评测答题数据;
对所述视觉能力评测答题数据进行分析获得评测请求人的视觉能力得分,对所述关注力能力评测答题数据进行分析获得评测请求人的关注力能力得分,对所述记忆力能力评测答题数据进行分析获得评测请求人的记忆能力得分,对所述心理承受能力评测数据进行分析获得评测请求人的心理承受能力得分,对所述专业能力评测答题数据进行分析获得评测请求人的专业能力得分;
以所述视觉能力得分、关注力能力得分、记忆能力得分、心理承受能力得分、专业能力得分为基础,获得所述评测请求人的视觉认知能力得分。
16.一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,所述计算机程序被处理器执行时实现权利要求1-7任意一项所述的特殊岗位人员视觉认知能力量化评测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111169858.7A CN113920396B (zh) | 2021-10-08 | 2021-10-08 | 一种特殊岗位人员视觉认知能力量化评测方法、系统及评测设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111169858.7A CN113920396B (zh) | 2021-10-08 | 2021-10-08 | 一种特殊岗位人员视觉认知能力量化评测方法、系统及评测设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113920396A CN113920396A (zh) | 2022-01-11 |
CN113920396B true CN113920396B (zh) | 2022-11-04 |
Family
ID=79237933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111169858.7A Active CN113920396B (zh) | 2021-10-08 | 2021-10-08 | 一种特殊岗位人员视觉认知能力量化评测方法、系统及评测设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113920396B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118248291A (zh) * | 2024-05-27 | 2024-06-25 | 浙江强脑科技有限公司 | 基于人机交互的记忆力训练方法、装置、终端及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101145215A (zh) * | 2006-09-13 | 2008-03-19 | 天津市公安消防局 | 岗位练兵、考核计算机系统 |
CN104680857A (zh) * | 2013-11-30 | 2015-06-03 | 三科信息技术(大连)有限公司 | 一种具有考试功能的公安教育训练系统 |
CN111383215A (zh) * | 2020-03-10 | 2020-07-07 | 图玛深维医疗科技(北京)有限公司 | 一种基于生成对抗网络的病灶检测模型的训练方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886169B (zh) * | 2017-11-14 | 2021-02-12 | 华南理工大学 | 一种基于文本-图像生成对抗网络模型的多尺度卷积核方法 |
CN109142374A (zh) * | 2018-08-15 | 2019-01-04 | 广州市心鉴智控科技有限公司 | 基于超小样本训练高效质检模型的方法及系统 |
US10904476B1 (en) * | 2019-12-12 | 2021-01-26 | Amazon Technologies, Inc. | Techniques for up-sampling digital media content |
CN111080155B (zh) * | 2019-12-24 | 2022-03-15 | 武汉大学 | 一种基于生成对抗网络的空调用户调频能力评估方法 |
CN111063439A (zh) * | 2019-12-27 | 2020-04-24 | 广东电网有限责任公司电力科学研究院 | 一种电力作业人员心理评估方法、装置、终端和存储介质 |
CN112151155A (zh) * | 2020-09-22 | 2020-12-29 | 视隼智能科技(上海)有限公司 | 基于人工智能的超声影像智能培训方法、系统及应用系统 |
-
2021
- 2021-10-08 CN CN202111169858.7A patent/CN113920396B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101145215A (zh) * | 2006-09-13 | 2008-03-19 | 天津市公安消防局 | 岗位练兵、考核计算机系统 |
CN104680857A (zh) * | 2013-11-30 | 2015-06-03 | 三科信息技术(大连)有限公司 | 一种具有考试功能的公安教育训练系统 |
CN111383215A (zh) * | 2020-03-10 | 2020-07-07 | 图玛深维医疗科技(北京)有限公司 | 一种基于生成对抗网络的病灶检测模型的训练方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113920396A (zh) | 2022-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20120322037A1 (en) | Anomaly Detection Educational Process | |
Papamitsiou et al. | Temporal learning analytics for computer based testing | |
Gurr et al. | The role of the critical friend in leadership and school improvement | |
Downes-Martin | Adjudication: the diabolus in machina of war gaming | |
Wiedmann et al. | Measuring teachers’ competence to monitor student interaction in collaborative learning settings | |
AKÇAPINAR et al. | Moodleminer: Data mining analysis tool for moodle learning management system MoodleMiner: Moodle öğrenme yönetim sistemi için veri madenciliği analiz Aracı | |
Berger | Using eye-tracking to for analyzing case study materials | |
CN113920396B (zh) | 一种特殊岗位人员视觉认知能力量化评测方法、系统及评测设备 | |
Drakou et al. | On the development and evaluation of a serious game for forensic examination training | |
Homer | Towards a more nuanced conceptualisation of differential examiner stringency in OSCEs | |
Khedher et al. | Predicting user learning performance from eye movements during interaction with a serious game | |
Darling-Hammond et al. | Studying teacher effectiveness: The challenges of developing valid measures | |
Koong et al. | The learning effectiveness analysis of JAVA programming with automatic grading system | |
Vila et al. | Novel process for developing metrics that measure what police do | |
Elhamiasl et al. | Dissociations between performance and visual fixations after subordinate-and basic-level training with novel objects | |
Lim | Action research for teachers: A balanced model | |
Putri | The Effectiveness Of Problem Based Learning Model In Science Learning On Critical Thinking Skills Of Fifth Grade Students | |
RU2579725C1 (ru) | Автоматизированная система оценки и тренинга профессионально важных качеств инженерно-технических работников | |
Ridgway et al. | Empathic interactional sequences and counsellor trainee effectiveness | |
KR20220031816A (ko) | 시험 문제 자동 출제 방법 | |
CN117455126B (zh) | 一种泛在实训教学和考评管理系统及方法 | |
Petersen et al. | Challenges and opportunities in evaluating learning in serious games: A look at behavioural aspects | |
Metwally et al. | Empirical Evidence on Gamification and Learning Analytics (GaLA): What is Missing? | |
SueSee et al. | Self-identified and observed teaching styles: A case study of senior physical education teachers in Queensland schools | |
Weber et al. | The influence of analyzing own classroom videos or videos of other teachers during a teaching practicum on pre-service teachers’ professional vision of classroom management |
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 |