CN113990452B - 一种基于心理素养的测评方法、系统和可读存储介质 - Google Patents

一种基于心理素养的测评方法、系统和可读存储介质 Download PDF

Info

Publication number
CN113990452B
CN113990452B CN202111607975.7A CN202111607975A CN113990452B CN 113990452 B CN113990452 B CN 113990452B CN 202111607975 A CN202111607975 A CN 202111607975A CN 113990452 B CN113990452 B CN 113990452B
Authority
CN
China
Prior art keywords
evaluation
student
extreme
literacy
psychological
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
Application number
CN202111607975.7A
Other languages
English (en)
Other versions
CN113990452A (zh
Inventor
邹伟建
黄明贵
黄立彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Shuye Intelligent Technology Co ltd
Original Assignee
Guangdong Shuye Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Shuye Intelligent Technology Co ltd filed Critical Guangdong Shuye Intelligent Technology Co ltd
Priority to CN202111607975.7A priority Critical patent/CN113990452B/zh
Publication of CN113990452A publication Critical patent/CN113990452A/zh
Application granted granted Critical
Publication of CN113990452B publication Critical patent/CN113990452B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychology (AREA)
  • Psychiatry (AREA)
  • Developmental Disabilities (AREA)
  • Social Psychology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提供一种基于心理素养的测评方法、系统和可读存储介质，所述方法包括：按照预设的周期，并采用测评表对指定范围内的学员进行心理素养测评；获取指定范围内每个学员的事件信息；构建极端行为风险预测模型，并对极端行为风险预测模型进行训练，得到最优的极端行为风险预测模型；基于每个学员的事件信息，并经由最优的行为风险预测模型预测得出对应学员的极端行为风险值；判断所述极端行为风险值是否达到第一预设阈值，如果是，则将对应学员标记为预警学员，触发采用测评表及时对所述预警学员进行测评，并根据测评结果确定是否介入心理辅导干预。本发明能够主动发现学员出现的心理问题，有利于青少年心理健康发展。

Description

一种基于心理素养的测评方法、系统和可读存储介质
技术领域
本发明涉及心理测评技术领域，尤其涉及一种基于心理素养的测评方法、系统和可读存储介质。
背景技术
心理健康教育是一项复杂专业的工作，心理发展受到个人遗传、家庭、教育与社会多方面的影响，引导心理健康发展需要多种方式并重。心理健康教育既要关注整体水平，从教育的角度开展工作促进整体心理发展，也要关注个体，避免严重心理问题出现，产生极端行为。基于上述，为了引导青少年心理健康发展，实时了解每个个体心理特点与现状是展开对青少年心理健康教育的重要工作。
传统是在青少年的各个阶段分别展开心理测评，此测评方式较为被动，且相邻两次的测评间隔较长，不利于实时主动了解青少年的心理变化状况，一旦个别青少年在此期间出现心理问题，则容易产生极端行为，不利于青少年心理健康发展。
发明内容
为了解决上述至少一个技术问题，本发明提出了一种基于心理素养的测评方法、系统和可读存储介质，能够实时主动了解学员的心理状况，一旦发现学员出现心理问题，则及时采取心理辅导措施，避免学员产生极端行为，有利于青少年心理健康发展。
本发明第一方面提出了一种基于心理素养的测评方法，所述方法包括：
按照预设的周期，并采用测评表对指定范围内的学员进行心理素养测评；
自每一轮周期的开始时间起，并在结束时间之前，分别通过多种渠道获取指定范围内每个学员的事件信息；
构建极端行为风险预测模型，并通过样本数据库中的样本事件对极端行为风险预测模型进行训练，得到最优参数，然后将最优参数置入所述极端行为风险预测模型中，得到最优的极端行为风险预测模型；
基于每个学员的事件信息，并经由最优的行为风险预测模型预测得出对应学员的极端行为风险值；
判断所述极端行为风险值是否达到第一预设阈值，如果是，则将对应学员标记为预警学员，触发采用测评表及时对所述预警学员进行测评，并根据测评结果确定是否介入心理辅导干预。
本方案中，采用测评表对指定范围内的学员进行心理素养测评，具体包括：
预设测评表为n个，n个测评表对学员综合心理素养的评价权重为
Figure 702406DEST_PATH_IMAGE001
；
分别接收学员对n个测评表的作答结果，根据n个测评表的作答结果，并基于每个测评表的评分机制对每个测评表进行打分，得到n个测评表的评分为
Figure 760361DEST_PATH_IMAGE002
；
将评价权重
Figure 366923DEST_PATH_IMAGE001
，与对应的评分
Figure 219341DEST_PATH_IMAGE002
，进行对应相乘，并对乘积进行累加，从而得到对应学员的综合心理素养评分
Figure 442512DEST_PATH_IMAGE003
；
判断综合心理素养评分
Figure 773000DEST_PATH_IMAGE004
是否小于第二预设阈值，如果是，则介入心理辅导干预，否者，则无需介入心理辅导干预。
本方案中，基于每个测评表的评分机制对每个测评表进行打分，具体包括：
获取p个学员基于相同测评表的测评结果，预设该相同测评表有q个测评题；
从p个学员中选定一个目标学员，将该目标学员基于相同测评表的每个测评题的作答结果与其它剩余学员的对应测评题的作答结果进行一一比对；
判断每个测评题的作答结果一致性比例是否超出
Figure 30806DEST_PATH_IMAGE005
，如果是，则对该目标学员的对应测评题判定得分；否者，判定不得分；
分别获取目标学员基于q个测评题的作答得分判定情况；
对q个测评题中判定为得分的测评题进行汇总，并计算得到所述目标学员基于该测评表的测评得分。
本方案中，在经由最优的行为风险预测模型预测得出对应学员的极端行为风险值之后，所述方法还包括：
在指定范围内找出同龄段的参考学员，并获取每个参考学员的历史事件信息，以及对应的真实极端行为；
将对应的真实极端行为根据预设的极端行为等级表匹配出对应的极端行为真实风险值；
针对每个参考学员的历史事件信息进行特征分析，分别得到每个参考学员的历史事件信息的第一特征量；
针对所述对应学员的事件信息进行特征分析，得到第二特征量；
对比每个参考学员的第一特征量与所述对应学员的第二特征量之间的差异率；
将差异率小于第三预设阈值的参考学员加入校正库中；
分别对所述校正库中每个参考学员的历史事件信息进行神经网络学习，并由最优的行为风险预测模型预测出每个参考学员对应的极端行为预测风险值；
针对每个参考学员，分别将对应的极端行为预测风险值与对应的极端行为真实风险值进行作差，得到对应的差值；
对所有参考学员的极端行为预测风险值与对应的极端行为真实风险值之间的差值进行平均化计算，得到校正值；
将最优的行为风险预测模型预测得出对应学员的极端行为风险值与所述校正值进行相加，得到校正后的极端行为风险值。
本方案中，在触发采用测评表及时对所述预警学员进行测评之后，所述方法还包括：
在采用测评表A对所述预警学员进行测评时，分别计算所述测评表A中每个测评题与所述预警学员的事件信息之间的关联度；
将关联度超过第四预设阈值的测评题进行提取出，并输入测评真实性验证数据库；
计算测评真实性验证数据库中各个测评题的作答结果与所述事件信息的整体匹配度；
判断所述整体匹配度是否超出第五预设阈值，如果是，则判定所述预警学员的测评表A作答结果有效，否者，则判定为无效。
本方案中，分别通过多种渠道获取指定范围内每个学员的事件信息，具体包括：
通过前端的视频采集器获取对应学员的视频流，其中所述视频流包括按照时间顺序的多个视频图像；
按照预设固定值C将视频流进行分组，分别对每组的视频图像中的C个视频图像进行学员图像定位；
基于学员图像定位后C个视频图像分别进行提取学员的形体特征；
基于各组视频图像，分别计算所有相邻两个视频图像的形体特征之间的变化量，并基于所有相邻两个视频图像的形体特征之间的变化量，计算出变化量平均值；
依次判断相邻两个视频图像的变化量与变化量平均值之间的大小，如果大于，则标记对应的两个视频图像为代表视频图像，如果小于，则剔除对应的两个视频图像；
由前端的视频采集器挑选出各组的代表视频图像并通过网络传输给后端的图像识别模块；
由所述图像识别模块对接收的代表视频图像进行图像识别分析处理，获取对应学员的姿态动作信息，以作为对应学员的事件信息。
本发明第二方面还提出一种基于心理素养的测评系统，包括存储器和处理器，所述存储器中包括一种基于心理素养的测评方法程序，所述基于心理素养的测评方法程序被所述处理器执行时实现如下步骤：
按照预设的周期，并采用测评表对指定范围内的学员进行心理素养测评；
自每一轮周期的开始时间起，并在结束时间之前，分别通过多种渠道获取指定范围内每个学员的事件信息；
构建极端行为风险预测模型，并通过样本数据库中的样本事件对极端行为风险预测模型进行训练，得到最优参数，然后将最优参数置入所述极端行为风险预测模型中，得到最优的极端行为风险预测模型；
基于每个学员的事件信息，并经由最优的行为风险预测模型预测得出对应学员的极端行为风险值；
判断所述极端行为风险值是否达到第一预设阈值，如果是，则将对应学员标记为预警学员，触发采用测评表及时对所述预警学员进行测评，并根据测评结果确定是否介入心理辅导干预。
本方案中，采用测评表对指定范围内的学员进行心理素养测评，具体包括：
预设测评表为n个，n个测评表对学员综合心理素养的评价权重为
Figure 54125DEST_PATH_IMAGE001
；
分别接收学员对n个测评表的作答结果，根据n个测评表的作答结果，并基于每个测评表的评分机制对每个测评表进行打分，得到n个测评表的评分为
Figure 499013DEST_PATH_IMAGE002
；
将评价权重
Figure 644910DEST_PATH_IMAGE001
，与对应的评分
Figure 757222DEST_PATH_IMAGE002
，进行对应相乘，并对乘积进行累加，从而得到对应学员的综合心理素养评分
Figure 826810DEST_PATH_IMAGE003
；
判断综合心理素养评分
Figure 149206DEST_PATH_IMAGE004
是否小于第二预设阈值，如果是，则介入心理辅导干预，否者，则无需介入心理辅导干预。
本方案中，基于每个测评表的评分机制对每个测评表进行打分，具体包括：
获取p个学员基于相同测评表的测评结果，预设该相同测评表有q个测评题；
从p个学员中选定一个目标学员，将该目标学员基于相同测评表的每个测评题的作答结果与其它剩余学员的对应测评题的作答结果进行一一比对；
判断每个测评题的作答结果一致性比例是否超出
Figure 696862DEST_PATH_IMAGE005
，如果是，则对该目标学员的对应测评题判定得分；否者，判定不得分；
分别获取目标学员基于q个测评题的作答得分判定情况；
对q个测评题中判定为得分的测评题进行汇总，并计算得到所述目标学员基于该测评表的测评得分。
本发明第三方面还提出一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于心理素养的测评方法程序，所述基于心理素养的测评方法程序被处理器执行时，实现如上述的一种基于心理素养的测评方法的步骤。
本发明提出的一种基于心理素养的测评方法、系统和计算机可读存储介质，能够实时主动了解学员的心理状况，一旦发现学员出现心理问题，则及时采取心理辅导措施，避免学员产生极端行为，有利于青少年心理健康发展。
本发明的附加方面和优点将在下面的描述部分中给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1示出了本发明一种基于心理素养的测评方法的流程图；
图2示出了本发明一种基于心理素养的测评系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于心理素养的测评方法的流程图。
如图1所示，本发明第一方面提出一种基于心理素养的测评方法，所述方法包括：
S102，按照预设的周期，并采用测评表对指定范围内的学员进行心理素养测评；
S104，自每一轮周期的开始时间起，并在结束时间之前，分别通过多种渠道获取指定范围内每个学员的事件信息；
S106，构建极端行为风险预测模型，并通过样本数据库中的样本事件对极端行为风险预测模型进行训练，得到最优参数，然后将最优参数置入所述极端行为风险预测模型中，得到最优的极端行为风险预测模型；
S108，基于每个学员的事件信息，并经由最优的行为风险预测模型预测得出对应学员的极端行为风险值；
S110，判断所述极端行为风险值是否达到第一预设阈值，如果是，则将对应学员标记为预警学员，触发采用测评表及时对所述预警学员进行测评，并根据测评结果确定是否介入心理辅导干预。
需要说明的是，对于整体的学员，本发明采用测评表并按照预设的周期进行测评，为了尽量避免频繁测评对学员学习造成影响，本发明预设的周期间隔一般较长，如为1年、2年等。在此期间，可能会出现个别学员心理变化的现象，本发明则在不影响学员学习的前提下，通过多种渠道获取指定范围内每个学员的事件信息，然后根据对事件信息进行分析，以评估是否触发对相应的学员及时采用测评表进行测评，并根据测评结果进一步确定是否需要心理辅导介入。基于上述，本发明在兼顾整体学员的心理健康发展的同时，也会考虑个体学员的心理变化情况，从而全面且准确地筛查出具有心理问题的学员，避免对个别学员测评不及时而导致产生极端行为的风险，有利于学员的心理健康发展。
需要说明的是，本发明分别通过多种渠道获取指定范围内每个学员的事件信息，多种渠道可以是通过视频采集器采集学员的视频图像，并分析出学员的一些事件信息，也可以由老师基于学员的学习或生活表现情况进行填报一些事件信息，但不限于此。
根据本发明的实施例，采用测评表对指定范围内的学员进行心理素养测评，具体包括：
预设测评表为n个，n个测评表对学员综合心理素养的评价权重为
Figure 788315DEST_PATH_IMAGE001
；
分别接收学员对n个测评表的作答结果，根据n个测评表的作答结果，并基于每个测评表的评分机制对每个测评表进行打分，得到n个测评表的评分为
Figure 622279DEST_PATH_IMAGE002
；
将评价权重
Figure 572918DEST_PATH_IMAGE001
，与对应的评分
Figure 924264DEST_PATH_IMAGE002
，进行对应相乘，并对乘积进行累加，从而得到对应学员的综合心理素养评分
Figure 870224DEST_PATH_IMAGE003
；
判断综合心理素养评分
Figure 547193DEST_PATH_IMAGE004
是否小于第二预设阈值，如果是，则介入心理辅导干预，否者，则无需介入心理辅导干预。
需要说明的是，为了实现对学员进行综合全面测评，则需要采用多个维度的测评表进行测评，例如，心理行为测评表、情绪测评表、性格测评表、社会适应性测评表、人际交往测评表、睡眠状态测评表等。然而这些维度的测评表对不断阶段学员的综合心理素养影响权重不同。例如对于中学阶段的学员的综合心理素养，考虑到学员面临学习压力繁重的环境因素，则学员心理行为和睡眠状态容易出现问题；相应的，心理行为测评表和睡眠状态测评表的评分对中学阶段学员的综合心理素养评分影响权重相对较大。基于上述，本发明通过针对不同阶段学员设定多个测评表的影响权重，从而便于准确测评出不同阶段学员的综合心理素养评分，进一步便于准确筛查出心理出现问题的学员，有利于促进学员的心理健康发展。
根据本发明的实施例，基于每个测评表的评分机制对每个测评表进行打分，具体包括：
获取p个学员基于相同测评表的测评结果，预设该相同测评表有q个测评题；
从p个学员中选定一个目标学员，将该目标学员基于相同测评表的每个测评题的作答结果与其它剩余学员的对应测评题的作答结果进行一一比对；
判断每个测评题的作答结果一致性比例是否超出
Figure 578603DEST_PATH_IMAGE005
，如果是，则对该目标学员的对应测评题判定得分；否者，判定不得分；
分别获取目标学员基于q个测评题的作答得分判定情况；
对q个测评题中判定为得分的测评题进行汇总，并计算得到所述目标学员基于该测评表的测评得分。
需要说明的是，假如一个测评表为社会适应性测评表，在对该类别测评表进行测评时，如果脱离群体而站在局外进行主观对与错的判定，则无法做出正确迎合社会适应性的测评结果。因此，在对目标学员的社会适应性测评时，可以将多数学员基于相同测评表的测评结果作为参考，来判断目标学员的社会适应性状况。如此更能贴合当前人们对社会适应能力的普遍认知，从而更易于测评出脱离社会的学员，进一步有利于学员的心理健康发展。
根据本发明的具体实施例，判断每个测评题的作答结果一致性比例是否超出
Figure 468061DEST_PATH_IMAGE005
，具体包括：
基于相同的测评题，统计与目标学员作答结果一致的其它学员的数量为a；
根据公式
Figure 675052DEST_PATH_IMAGE006
，计算出相同的测评题的一致性比例
Figure 381976DEST_PATH_IMAGE007
；
判断一致性比例
Figure 776049DEST_PATH_IMAGE007
是否超出
Figure 593832DEST_PATH_IMAGE005
，其中，
Figure 655329DEST_PATH_IMAGE005
的取值范围为0.7~1。
根据本发明的具体实施例，将该目标学员基于相同测评表的每个测评题的作答结果与其它剩余学员的对应测评题的作答结果进行一一比对之后，所述方法还包括：
基于每个测评题，统计与目标学员作答结果一致的其它学员的数量分别为
Figure 408521DEST_PATH_IMAGE008
；
根据公式
Figure 414523DEST_PATH_IMAGE009
，计算出每个测评题的一致性比例
Figure 911364DEST_PATH_IMAGE010
，其中
Figure 686422DEST_PATH_IMAGE011
；
获取每个测评题的分值
Figure 876095DEST_PATH_IMAGE012
；
将每个测评题的分值
Figure 244759DEST_PATH_IMAGE012
与对应的一致性比例
Figure 404345DEST_PATH_IMAGE010
进行相乘，并对乘积进行累加，计算得到所述目标学员基于该测评表的测评得分
Figure 174855DEST_PATH_IMAGE013
。
需要说明的是，对于社会适应性测评表，每个测评题可能有多个选项，多个学员可能基于自己的情况进行作答，通常社会适应性考虑少数服从多数的原则，则在对目标学员的单个测评题进行评分计算时，首先计算出与剩余全体学员的作答结果一致性，然后结合一致性与单个测评题的分值，继而计算出单个测评题的得分，最终汇总多个测评题的得分，即可计算出测评表的总体得分，同时，总体得分是基于同一个社会环境中的其它学员计算出的相对得分，从而更易于在全体学员中筛查出有脱离社会适应性的问题学员。
根据本发明的实施例，在经由最优的行为风险预测模型预测得出对应学员的极端行为风险值之后，所述方法还包括：
在指定范围内找出同龄段的参考学员，并获取每个参考学员的历史事件信息，以及对应的真实极端行为；
将对应的真实极端行为根据预设的极端行为等级表匹配出对应的极端行为真实风险值；
针对每个参考学员的历史事件信息进行特征分析，分别得到每个参考学员的历史事件信息的第一特征量；
针对所述对应学员的事件信息进行特征分析，得到第二特征量；
对比每个参考学员的第一特征量与所述对应学员的第二特征量之间的差异率；
将差异率小于第三预设阈值的参考学员加入校正库中；
分别对所述校正库中每个参考学员的历史事件信息进行神经网络学习，并由最优的行为风险预测模型预测出每个参考学员对应的极端行为预测风险值；
针对每个参考学员，分别将对应的极端行为预测风险值与对应的极端行为真实风险值进行作差，得到对应的差值；
对所有参考学员的极端行为预测风险值与对应的极端行为真实风险值之间的差值进行平均化计算，得到校正值；
将最优的行为风险预测模型预测得出对应学员的极端行为风险值与所述校正值进行相加，得到校正后的极端行为风险值。
可以理解，极端行为风险值是根据极端行为对人身或财产的损坏程度进行量化的数值或等级，例如，如果极端行为涉及到自身或他人的生命安全，则其对应的风险值相对较高。
需要说明的是，最优的行为风险预测模型容易受到样本数据库中的样本事件量的局限性，通常预测的极端行为风险值会有偏差。本发明则考虑上述偏差因素，则通过收集指定范围内有极端行为历史的参考学员，并根据参考学员的极端行为真实风险值与极端行为预测风险值之间的偏差计算出校正值，然后将对应学员的极端行为风险值与所述校正值进行相加，从而实现对预测出的极端行为风险值进行校正，便于获取更加准确的极端行为风险值，进而有利于后续对需要测评表测评的个别学员进行精准筛查。
根据本发明的实施例，在触发采用测评表及时对所述预警学员进行测评之后，所述方法还包括：
在采用测评表A对所述预警学员进行测评时，分别计算所述测评表A中每个测评题与所述预警学员的事件信息之间的关联度；
将关联度超过第四预设阈值的测评题进行提取出，并输入测评真实性验证数据库；
计算测评真实性验证数据库中各个测评题的作答结果与所述事件信息的整体匹配度；
判断所述整体匹配度是否超出第五预设阈值，如果是，则判定所述预警学员的测评表A作答结果有效，否者，则判定为无效。
需要说明的是，在采用测评表对预警学员进行测评过程中，预警学员可能会应付测评，而对测评题进行随意作答，显然这种随意作答的测评方式是不准确的。本发明通过分析测评表A中每个测评题与事件信息之间的关联度，并将关联度较高的测评题提取出，然后基于提取出的测评题作答结果与事件信息之间的匹配度进行分析，由于事件信息是真实的，如果与事件信息关联的测评题作答结果与事件信息不匹配，则可以判定本次测评无效，并提醒进行重复测评。因此，本发明可以有效提升采用测评表进行测评的真实性、有效性。
根据本发明的具体实施例，计算测评真实性验证数据库中各个测评题的作答结果与所述事件信息的整体匹配度，具体包括：
将测评真实性验证数据库中各个测评题的作答结果与所述事件信息进行比对，得到各个测评题的作答结果的匹配度；
获取测评真实性验证数据库中各个测评题与所述事件信息的关联度；
将各个测评题的作答结果的匹配度与对应测评题的关联度进行相乘，并对乘积进行累加，得到各个测评题的作答结果与所述事件信息的整体匹配度。
可以理解，关联度可以认为是影响对整体匹配度的权重因子，关联度越高，则权重因子越大，对整体匹配度的影响占比越大。
根据本发明的具体实施例，在判定所述预警学员的测评表A作答结果有效之后，所述方法还包括：
在测评表的前后部分分别设置类型相近的测评题；
判断前后测评题的作答结果之间的一致性，如果一致性大于预设阈值，则判定所述预警学员的测评表A作答结果有效，否者判定为无效。
根据本发明的具体实施例，在分别计算所述测评表A中每个测评题与所述预警学员的事件信息之间的关联度之前，所述方法还包括：
预设同阶段有s个预警学员，选定一个目标预警学员，并将目标预警学员基于测评表A的作答结果与剩余的其中一个预警学员基于测评表A的作答结果进行比对，计算出二者的差别率；
判断差别率是否大于第五预设阈值，如果是，则将目标预警学员标记一次可疑无效测评；
分别将目标预警学员基于测评表A的作答结果与剩余所有预警学员基于测评表A的作答结果进行逐一比对，统计被标记为可疑无效测评的总数目；
判断可疑无效测评的总数目是否大于第六预设阈值，如果是，则分别计算所述测评表A中每个测评题与所述目标预警学员的事件信息之间的关联度，否者，则将判定目标预警学员基于测评表A的作答结果为无效测评。
本发明采用上述方式进行初筛出具有可疑无效的测评表，并在剔除无效的测评表后，进行后续基于匹配度的再次有效或无效测评判定，通过层层筛选，提升了测评表的真实性、有效性，进一步便于真实了解学员的心理状况。
根据本发明的实施例，分别通过多种渠道获取指定范围内每个学员的事件信息，具体包括：
通过前端的视频采集器获取对应学员的视频流，其中所述视频流包括按照时间顺序的多个视频图像；
按照预设固定值C将视频流进行分组，分别对每组的视频图像中的C个视频图像进行学员图像定位；
基于学员图像定位后C个视频图像分别进行提取学员的形体特征；
基于各组视频图像，分别计算所有相邻两个视频图像的形体特征之间的变化量，并基于所有相邻两个视频图像的形体特征之间的变化量，计算出变化量平均值；
依次判断相邻两个视频图像的变化量与变化量平均值之间的大小，如果大于，则标记对应的两个视频图像为代表视频图像，如果小于，则剔除对应的两个视频图像；
由前端的视频采集器挑选出各组的代表视频图像并通过网络传输给后端的图像识别模块；
由所述图像识别模块对接收的代表视频图像进行图像识别分析处理，获取对应学员的姿态动作信息，以作为对应学员的事件信息。
可以理解，本发明采用视频采集器采集学员的视频图像，并通过图像识别模块对视频图像进行识别，从而获取学员的姿态动作信息，并作为学员的事件信息，以便于后续基于事件信息来判断是否触发对该学员采用测评表进行测评。
需要说明的是，为了减少视频采集器向图像识别模块传输的视频图像数量，进一步提升了图像识别模块的识别效率，本发明对按时间顺序的视频图像进行分组，并提取出每组的代表视频图像进行传输和图像识别，进而提升识别效率。
根据本发明的具体实施例，由前端的视频采集器挑选出各组的代表视频图像并通过网络传输给后端的图像识别模块，具体包括：
由视频采集器将代表视频图像切割成多个大小、形状相同的图像区域，并对每个图像区域标注对应的号码，每个号码对应代表视频图像的固定位置；
将代表视频图像中每个图像区域与前一个传输过的代表图像中相同号码的图像区域进行一一比对；
从代表视频图像中筛选出比对不一致的图像区域，并作为差异图像区域，然后将差异图像区域以及对应的号码发送给图像识别模块；
由所述图像识别模块基于接收到的差异图像区域的号码从全局号码中过滤出缺位的号码，并基于缺位的号码从前一个传输来的代表视频图像中确定出相同图像区域，然后将相同图像区域与接收的差异图像区域进行合成，以还原得到当前的代表视频图像。
可以理解，视频采集器与图像识别模块同步相同的图像切割方式。为了进一步减少单个代表视频图像的数据量，本发明还对单个代表视频图像进行切割，选取差异图像区域进行传输，从而有效减少传输数据量，提升了传输效率。
图2示出了本发明一种基于心理素养的测评系统的框图。
如图2所示，本发明第二方面还提出一种基于心理素养的测评系统2，包括存储器21和处理器22，所述存储器中包括一种基于心理素养的测评方法程序，所述基于心理素养的测评方法程序被所述处理器执行时实现如下步骤：
按照预设的周期，并采用测评表对指定范围内的学员进行心理素养测评；
自每一轮周期的开始时间起，并在结束时间之前，分别通过多种渠道获取指定范围内每个学员的事件信息；
构建极端行为风险预测模型，并通过样本数据库中的样本事件对极端行为风险预测模型进行训练，得到最优参数，然后将最优参数置入所述极端行为风险预测模型中，得到最优的极端行为风险预测模型；
基于每个学员的事件信息，并经由最优的行为风险预测模型预测得出对应学员的极端行为风险值；
判断所述极端行为风险值是否达到第一预设阈值，如果是，则将对应学员标记为预警学员，触发采用测评表及时对所述预警学员进行测评，并根据测评结果确定是否介入心理辅导干预。
根据本发明的实施例，采用测评表对指定范围内的学员进行心理素养测评，具体包括：
预设测评表为n个，n个测评表对学员综合心理素养的评价权重为
Figure 394484DEST_PATH_IMAGE001
；
分别接收学员对n个测评表的作答结果，根据n个测评表的作答结果，并基于每个测评表的评分机制对每个测评表进行打分，得到n个测评表的评分为
Figure 516023DEST_PATH_IMAGE002
；
将评价权重
Figure 89087DEST_PATH_IMAGE001
，与对应的评分
Figure 104317DEST_PATH_IMAGE002
，进行对应相乘，并对乘积进行累加，从而得到对应学员的综合心理素养评分
Figure 635792DEST_PATH_IMAGE003
；
判断综合心理素养评分
Figure 713470DEST_PATH_IMAGE004
是否小于第二预设阈值，如果是，则介入心理辅导干预，否者，则无需介入心理辅导干预。
根据本发明的实施例，基于每个测评表的评分机制对每个测评表进行打分，具体包括：
获取p个学员基于相同测评表的测评结果，预设该相同测评表有q个测评题；
从p个学员中选定一个目标学员，将该目标学员基于相同测评表的每个测评题的作答结果与其它剩余学员的对应测评题的作答结果进行一一比对；
判断每个测评题的作答结果一致性比例是否超出
Figure 746017DEST_PATH_IMAGE005
，如果是，则对该目标学员的对应测评题判定得分；否者，判定不得分；
分别获取目标学员基于q个测评题的作答得分判定情况；
对q个测评题中判定为得分的测评题进行汇总，并计算得到所述目标学员基于该测评表的测评得分。
本发明第三方面还提出一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于心理素养的测评方法程序，所述基于心理素养的测评方法程序被处理器执行时，实现如上述的一种基于心理素养的测评方法的步骤。
本发明提出的一种基于心理素养的测评方法、系统和计算机可读存储介质，能够实时主动了解学员的心理状况，一旦发现学员出现心理问题，则及时采取心理辅导措施，避免学员产生极端行为，有利于青少年心理健康发展。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例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，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (5)

1.一种基于心理素养的测评方法，其特征在于，所述方法包括：
按照预设的周期，并采用测评表对指定范围内的学员进行心理素养测评；
自每一轮周期的开始时间起，并在结束时间之前，分别通过多种渠道获取指定范围内每个学员的事件信息；
构建极端行为风险预测模型，并通过样本数据库中的样本事件对极端行为风险预测模型进行训练，得到最优参数，然后将最优参数置入所述极端行为风险预测模型中，得到最优的极端行为风险预测模型；
基于每个学员的事件信息，并经由最优的行为风险预测模型预测得出对应学员的极端行为风险值；
判断所述极端行为风险值是否达到第一预设阈值，如果是，则将对应学员标记为预警学员，触发采用测评表及时对所述预警学员进行测评，并根据测评结果确定是否介入心理辅导干预；
所述采用测评表对指定范围内的学员进行心理素养测评，具体包括：
预设测评表为n个，n个测评表对学员综合心理素养的评价权重为
Figure DEST_PATH_IMAGE002
；
分别接收学员对n个测评表的作答结果，根据n个测评表的作答结果，并基于每个测评表的评分机制对每个测评表进行打分，得到n个测评表的评分为
Figure DEST_PATH_IMAGE004
；
将评价权重
Figure DEST_PATH_IMAGE006
，与对应的评分
Figure DEST_PATH_IMAGE008
，进行对应相乘，并对乘积进行累加，从而得到对应学员的综合心理素养评分
Figure DEST_PATH_IMAGE010
；
判断综合心理素养评分F是否小于第二预设阈值，如果是，则介入心理辅导干预，否者，则无需介入心理辅导干预；
基于每个测评表的评分机制对每个测评表进行打分，具体包括：
获取p个学员基于相同测评表的测评结果，预设该相同测评表有q个测评题；
从p个学员中选定一个目标学员，将该目标学员基于相同测评表的每个测评题的作答结果与其它剩余学员的对应测评题的作答结果进行一一比对；
判断每个测评题的作答结果一致性比例是否超出
Figure DEST_PATH_IMAGE012
，如果是，则对该目标学员的对应测评题判定得分；否者，判定不得分；
分别获取目标学员基于q个测评题的作答得分判定情况；
对q个测评题中判定为得分的测评题进行汇总，并计算得到所述目标学员基于该测评表的测评得分；
所述判断每个测评题的作答结果一致性比例是否超出
Figure 772258DEST_PATH_IMAGE012
，具体包括：
基于相同的测评题，统计与目标学员作答结果一致的其它学员的数量为a；
根据公式
Figure DEST_PATH_IMAGE014
，计算出相同的测评题的一致性比例
Figure DEST_PATH_IMAGE016
；
判断一致性比例
Figure 628962DEST_PATH_IMAGE016
是否超出
Figure 193936DEST_PATH_IMAGE012
，其中，
Figure 233436DEST_PATH_IMAGE012
的取值范围为0.7~1；
所述将该目标学员基于相同测评表的每个测评题的作答结果与其它剩余学员的对应测评题的作答结果进行一一比对之后，所述方法还包括：
基于每个测评题，统计与目标学员作答结果一致的其它学员的数量分别为
Figure DEST_PATH_IMAGE018
；
根据公式
Figure DEST_PATH_IMAGE020
，计算出每个测评题的一致性比例
Figure DEST_PATH_IMAGE022
，其中
Figure DEST_PATH_IMAGE024
；
获取每个测评题的分值
Figure DEST_PATH_IMAGE026
；
将每个测评题的分值
Figure 255881DEST_PATH_IMAGE026
与对应的一致性比例
Figure DEST_PATH_IMAGE028
进行相乘，并对乘积进行累加，计算得到所述目标学员基于该测评表的测评得分
Figure DEST_PATH_IMAGE030
；
在经由最 优的行为风险预测模型预测得出对应学员的极端行为风险值之后，所述方法还包括：
在指定范围内找出同龄段的参考学员，并获取每个参考学员的历史事件信息，以及对应的真实极端行为；
将对应的真实极端行为根据预设的极端行为等级表匹配出对应的极端行为真实风险值；
针对每个参考学员的历史事件信息进行特征分析，分别得到每个参考学员的历史事件信息的第一特征量；
针对所述对应学员的事件信息进行特征分析，得到第二特征量；
对比每个参考学员的第一特征量与所述对应学员的第二特征量之间的差异率；
将差异率小于第三预设阈值的参考学员加入校正库中；
分别对所述校正库中每个参考学员的历史事件信息进行神经网络学习，并由最优的行为风险预测模型预测出每个参考学员对应的极端行为预测风险值；
针对每个参考学员，分别将对应的极端行为预测风险值与对应的极端行为真实风险值进行作差，得到对应的差值；
对所有参考学员的极端行为预测风险值与对应的极端行为真实风险值之间的差值进行平均化计算，得到校正值；
将最优的行为风险预测模型预测得出对应学员的极端行为风险值与所述校正值进行相加，得到校正后的极端行为风险值。
2.根据权利要求1所述的一种基于心理素养的测评方法，其特征在于，在触发采用测评表及时对所述预警学员进行测评之后，所述方法还包括：
在采用测评表A对所述预警学员进行测评时，分别计算所述测评表A中每个测评题与所述预警学员的事件信息之间的关联度；
将关联度超过第四预设阈值的测评题进行提取出，并输入测评真实性验证数据库；
计算测评真实性验证数据库中各个测评题的作答结果与所述事件信息的整体匹配度；
判断所述整体匹配度是否超出第五预设阈值，如果是，则判定所述预警学员的测评表A作答结果有效，否者，则判定为无效。
3.根据权利要求1所述的一种基于心理素养的测评方法，其特征在于，分别通过多种渠道获取指定范围内每个学员的事件信息，具体包括：
通过前端的视频采集器获取对应学员的视频流，其中所述视频流包括按照时间顺序的多个视频图像；
按照预设固定值C将视频流进行分组，分别对每组的视频图像中的C个视频图像进行学员图像定位；
基于学员图像定位后C个视频图像分别进行提取学员的形体特征；
基于各组视频图像，分别计算所有相邻两个视频图像的形体特征之间的变化量，并基于所有相邻两个视频图像的形体特征之间的变化量，计算出变化量平均值；
依次判断相邻两个视频图像的变化量与变化量平均值之间的大小，如果大于，则标记对应的两个视频图像为代表视频图像，如果小于，则剔除对应的两个视频图像；
由前端的视频采集器挑选出各组的代表视频图像并通过网络传输给后端的图像识别模块；
由所述图像识别模块对接收的代表视频图像进行图像识别分析处理，获取对应学员的姿态动作信息，以作为对应学员的事件信息。
4.一种基于心理素养的测评系统，其特征在于，包括存储器和处理器，所述存储器中包括一种基于心理素养的测评方法程序，所述基于心理素养的测评方法程序被所述处理器执行时实现如下步骤：
按照预设的周期，并采用测评表对指定范围内的学员进行心理素养测评；
自每一轮周期的开始时间起，并在结束时间之前，分别通过多种渠道获取指定范围内每个学员的事件信息；
构建极端行为风险预测模型，并通过样本数据库中的样本事件对极端行为风险预测模型进行训练，得到最优参数，然后将最优参数置入所述极端行为风险预测模型中，得到最优的极端行为风险预测模型；
基于每个学员的事件信息，并经由最优的行为风险预测模型预测得出对应学员的极端行为风险值；
判断所述极端行为风险值是否达到第一预设阈值，如果是，则将对应学员标记为预警学员，触发采用测评表及时对所述预警学员进行测评，并根据测评结果确定是否介入心理辅导干预；
所述采用测评表对指定范围内的学员进行心理素养测评，具体包括：
预设测评表为n个，n个测评表对学员综合心理素养的评价权重为
Figure 50530DEST_PATH_IMAGE002
；
分别接收学员对n个测评表的作答结果，根据n个测评表的作答结果，并基于每个测评表的评分机制对每个测评表进行打分，得到n个测评表的评分为
Figure 102800DEST_PATH_IMAGE004
；
将评价权重
Figure 196525DEST_PATH_IMAGE006
，与对应的评分
Figure 775274DEST_PATH_IMAGE008
，进行对应相乘，并对乘积进行累加，从而得到对应学员的综合心理素养评分
Figure 553874DEST_PATH_IMAGE010
；
判断综合心理素养评分F是否小于第二预设阈值，如果是，则介入心理辅导干预，否者，则无需介入心理辅导干预；
基于每个测评表的评分机制对每个测评表进行打分，具体包括：
获取p个学员基于相同测评表的测评结果，预设该相同测评表有q个测评题；
从p个学员中选定一个目标学员，将该目标学员基于相同测评表的每个测评题的作答结果与其它剩余学员的对应测评题的作答结果进行一一比对；
判断每个测评题的作答结果一致性比例是否超出
Figure 218074DEST_PATH_IMAGE012
，如果是，则对该目标学员的对应测评题判定得分；否者，判定不得分；
分别获取目标学员基于q个测评题的作答得分判定情况；
对q个测评题中判定为得分的测评题进行汇总，并计算得到所述目标学员基于该测评表的测评得分；
所述判断每个测评题的作答结果一致性比例是否超出
Figure 474743DEST_PATH_IMAGE012
，具体包括：
基于相同的测评题，统计与目标学员作答结果一致的其它学员的数量为a；
根据公式
Figure 907998DEST_PATH_IMAGE014
，计算出相同的测评题的一致性比例
Figure 857499DEST_PATH_IMAGE016
；
判断一致性比例
Figure 244881DEST_PATH_IMAGE016
是否超出
Figure 570820DEST_PATH_IMAGE012
，其中，
Figure 593002DEST_PATH_IMAGE012
的取值范围为0.7~1；
所述将该目标学员基于相同测评表的每个测评题的作答结果与其它剩余学员的对应测评题的作答结果进行一一比对之后，所述方法还包括：
基于每个测评题，统计与目标学员作答结果一致的其它学员的数量分别为
Figure 838039DEST_PATH_IMAGE018
；
根据公式
Figure 352197DEST_PATH_IMAGE020
，计算出每个测评题的一致性比例
Figure 340882DEST_PATH_IMAGE022
，其中
Figure 358516DEST_PATH_IMAGE024
；
获取每个测评题的分值
Figure 272989DEST_PATH_IMAGE026
；
将每个测评题的分值
Figure 8864DEST_PATH_IMAGE026
与对应的一致性比例
Figure 801239DEST_PATH_IMAGE028
进行相乘，并对乘积进行累加，计算得到所述目标学员基于该测评表的测评得分
Figure 673381DEST_PATH_IMAGE030
；
在经由最 优的行为风险预测模型预测得出对应学员的极端行为风险值之后，所述方法还包括：
在指定范围内找出同龄段的参考学员，并获取每个参考学员的历史事件信息，以及对应的真实极端行为；
将对应的真实极端行为根据预设的极端行为等级表匹配出对应的极端行为真实风险值；
针对每个参考学员的历史事件信息进行特征分析，分别得到每个参考学员的历史事件信息的第一特征量；
针对所述对应学员的事件信息进行特征分析，得到第二特征量；
对比每个参考学员的第一特征量与所述对应学员的第二特征量之间的差异率；
将差异率小于第三预设阈值的参考学员加入校正库中；
分别对所述校正库中每个参考学员的历史事件信息进行神经网络学习，并由最优的行为风险预测模型预测出每个参考学员对应的极端行为预测风险值；
针对每个参考学员，分别将对应的极端行为预测风险值与对应的极端行为真实风险值进行作差，得到对应的差值；
对所有参考学员的极端行为预测风险值与对应的极端行为真实风险值之间的差值进行平均化计算，得到校正值；
将最优的行为风险预测模型预测得出对应学员的极端行为风险值与所述校正值进行相加，得到校正后的极端行为风险值。
5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括一种基于心理素养的测评方法程序，所述基于心理素养的测评方法程序被处理器执行时，实现如权利要求1至3中任一项所述的一种基于心理素养的测评方法的步骤。
CN202111607975.7A 2021-12-27 2021-12-27 一种基于心理素养的测评方法、系统和可读存储介质 Active CN113990452B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111607975.7A CN113990452B (zh) 2021-12-27 2021-12-27 一种基于心理素养的测评方法、系统和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111607975.7A CN113990452B (zh) 2021-12-27 2021-12-27 一种基于心理素养的测评方法、系统和可读存储介质

Publications (2)

Publication Number Publication Date
CN113990452A CN113990452A (zh) 2022-01-28
CN113990452B true CN113990452B (zh) 2022-05-17

Family

ID=79734461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111607975.7A Active CN113990452B (zh) 2021-12-27 2021-12-27 一种基于心理素养的测评方法、系统和可读存储介质

Country Status (1)

Country Link
CN (1) CN113990452B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110287895A (zh) * 2019-04-17 2019-09-27 北京阳光易德科技股份有限公司 一种基于卷积神经网络进行情绪测量的方法
CN110993061A (zh) * 2019-11-23 2020-04-10 利辛县风雅颂机电科技有限公司 一种心理危机识别与干预方法及系统
CN113010557A (zh) * 2021-03-19 2021-06-22 四川蓝韵心理咨询服务有限公司 一种心理测评系统量表随机答题方法及系统
CN113921113A (zh) * 2021-08-06 2022-01-11 北京智精灵科技有限公司 积极心理学计算机化训练方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106618609A (zh) * 2016-11-28 2017-05-10 邹敏伟 心理测评方法及心理测评仪
CN112380265A (zh) * 2020-10-16 2021-02-19 华南理工大学 一种心理测评数据处理方法、装置、系统及服务器
CN113178246A (zh) * 2020-10-30 2021-07-27 赵天石 一种青少年心理危机的测评和预警方法
CN112687374B (zh) * 2021-01-12 2023-09-15 湖南师范大学 一种基于文本和图像信息联合计算的心理危机预警方法
CN113571157A (zh) * 2021-04-20 2021-10-29 杭州袋虎信息技术有限公司 基于fmt特征智能识别风险人员心理画像系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110287895A (zh) * 2019-04-17 2019-09-27 北京阳光易德科技股份有限公司 一种基于卷积神经网络进行情绪测量的方法
CN110993061A (zh) * 2019-11-23 2020-04-10 利辛县风雅颂机电科技有限公司 一种心理危机识别与干预方法及系统
CN113010557A (zh) * 2021-03-19 2021-06-22 四川蓝韵心理咨询服务有限公司 一种心理测评系统量表随机答题方法及系统
CN113921113A (zh) * 2021-08-06 2022-01-11 北京智精灵科技有限公司 积极心理学计算机化训练方法及系统

Also Published As

Publication number Publication date
CN113990452A (zh) 2022-01-28

Similar Documents

Publication Publication Date Title
CN113571158B (zh) 一种智慧智能ai智能心理健康检测与分析测评方法
CN111523444B (zh) 基于改进的Openpose模型和面部微表情的课堂行为检测的方法
CN111887867A (zh) 基于表情识别与心理学测试生成性格的分析方法及系统
CN115082271B (zh) 职业教育数字化教学的沉浸式考试防作弊方法及系统
CN110729047A (zh) 基于人脸视频的心理生理分析与量表测试结合的装置及方法
CN112101828A (zh) 岗位技能评估方法、系统、电子设备及存储介质
CN112163760A (zh) 学生学习专注度检测方法和系统
CN108109445A (zh) 教学课情监控方法
CN116028870B (zh) 一种数据检测的方法、装置、电子设备及存储介质
CN114121287A (zh) 一种学生心理健康检测方法、系统和可读存储介质
CN114202978A (zh) 一种基于大数据的智能培训方法及系统
JP2007200198A (ja) コールセンターシステム
CN113990452B (zh) 一种基于心理素养的测评方法、系统和可读存储介质
CN116739858B (zh) 基于时间序列分析的在线学习行为监测系统
CN111046293B (zh) 一种根据测评结果推荐内容的方法及其系统
CN114971425B (zh) 数据库信息监控方法、装置、设备及存储介质
CN109635214A (zh) 一种学习资源的推送方法及电子设备
CN110338748B (zh) 快速定位视力值的方法、存储介质、终端及视力检测仪
CN111612659B (zh) 一种在线财会考试自动评分系统及评分方法
CN117952796B (zh) 一种基于数据分析的阅读教学质量评估方法及系统
CN113205270B (zh) 一种满意度评价表自动生成和评价得分计算的方法及系统
CN116746930B (zh) 一种基于深度学习的老年人认知功能评估预警方法及系统
CN116595162B (zh) 基于电子学生证数据的题目推荐方法及其相关设备
CN109947927B (zh) 一种信息处理方法及装置
CN116631582A (zh) 一种提升心理能效的心理健康自助系统

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