CN114169808A

CN114169808A - 计算机实施的学习力评估方法、计算设备、介质和系统

Info

Publication number: CN114169808A
Application number: CN202210131173.1A
Authority: CN
Inventors: 邬歆; 洪晓丹; 王波; 荣启涵; 马玉赫
Original assignee: Beijing Heqi Juli Education Technology Co ltd
Current assignee: Beijing Heqi Juli Education Technology Co ltd
Priority date: 2022-02-14
Filing date: 2022-02-14
Publication date: 2022-03-11

Abstract

本发明实施例公开一种计算机实施的学习力评估方法、计算设备、存储介质和系统。本发明的方法包括根据测试者在交互界面上输入的人口学信息，从测试题题库中抽取适配的题目显示在所述交互界面上供所述测试者作答，其中所述学习力包括学习潜力、学习效力和学习动力，所有作答的题目能够反映所述学习潜力、学习效力和学习动力；分析测试者作答的情况，得到学习潜力得分P、学习效力得分E和学习动力得分M；根据所述学习潜力得分P、学习效力得分E和学习动力得分M，得到综合学习力得分LP。根据本发明的方法，能够全面客观的评价测试者的学习力。

Description

计算机实施的学习力评估方法、计算设备、介质和系统

技术领域

本发明涉及计算机领域，具体而言，涉及一种计算机实施的学习力评估方法、计算设备、存储介质和系统。

背景技术

学习力（Learning power）是指为塑造个体终身学习而形成的包括个体的学习情感、态度、价值观、动力及持续发展的综合素养，不仅能激发学生的学习潜能，增强学习动机，还对学生学业成就的获得有着显著影响。通过学习力的测量可以有效评估学生的综合学习能力，可以有效预测学业成绩。

学习力，最早由美国麻省理工学院的Jay Forrester于1965年提出，20世纪90年代中期学习力逐渐成为一项前沿的管理理论，被广泛应用在企业管理和企业文化领域，后来“学习力”这一概念从管理学领域迁移至教育学领域。当前国外研究对学习力的定义多指向一个人的学习动力、学习毅力、学习能力和学习创新力的总和，是人们获取知识、分享知识、运用知识和创造知识的能力。学生的学习力意味着将知识呈现、蕴涵的符号表征、思维方法与价值意义转化为学生的记忆力、理解力与驱动力，且学生学习的记忆力、理解力与驱动力相互依存、互为表里，从而让学生学会、会学和乐学。

当前对于学习力的界定存在一定的差异，对于学习力的测量更是没有统一标准，有很多学术研究通过与学业成绩相关的某一单一指标或几个相关指标的测量来代指学习力，既是不全面的也是不准确的，甚至还有很多研究停留在用问卷调查的主观判断来界定学习力的阶段，方法上就达不到标准和客观的要求。并且，在测试方法上仅采集单一的维度结果并不能有效反应报告结果的真实有效性，也缺乏参照群体的对比数据。

发明内容

本发明的目的在于提供一种全面准确的学习力评估方法、计算设备和存储介质，克服现有技术中单一维度评价有效性差的问题。

为此，本发明一方面公开一种计算机实施的学习力评估方法，包括：

根据测试者在交互界面上输入的人口学信息，从测试题题库中抽取适配的题目显示在所述交互界面上供所述测试者作答，其中所述学习力包括学习潜力、学习效力和学习动力，所有作答的题目能够反映所述学习潜力、学习效力和学习动力；

分析测试者作答的情况，得到学习潜力得分P、学习效力得分E和学习动力得分M；

根据所述学习潜力得分P、学习效力得分E和学习动力得分M，得到综合学习力得分LP。

在一个可选实施例中，根据所述学习潜力得分P、学习效力得分E和学习动力得分M，得到综合学习力得分LP，包括：

根据所述测试者所属的群体分别关于学习潜力、学习效力和学习动力的得分统计，构建针对所述群体的综合学习力得分模型LP = a*P + b*E + c*M + d；

将所述学习潜力得分P、学习效力得分E和学习动力得分M输入所述模型，从而得到综合学习力得分LP，

其中所述模型中的系数a、b、c和d为回归系数。

在一个可选实施例中，所述方法还包括：

设置常模样本数据库，其中所述常模样本数据库包括测试者所属群体分别关于学习潜力、学习效力和学习动力的得分分布；

将所述学习潜力、学习效力和学习动力的得分分布根据标准差分为不同的区间范围；

查询所述学习潜力、学习效力和学习动力的得分分别属于对应的得分分布的区间范围，从而得到所述测试者分别在学习潜力、学习效力和学习动力方面在所述群体中的等级。

在一个可选实施例中，所述方法还包括：

获得所述测试者进行作答的信度指数；

将所述信度指数与所述综合学习力得分LP一并呈现。

在一个可选实施例中，所述方法还包括：

获得所述测试者进行作答的信度指数；

根据所述信度指数计算所述学习动力得分和所述学习效力得分。

在一个可选实施例中，所述获得所述测试者进行作答的信度指数，包括：

监测所述测试者进行作答的作答时间，从而计算作答时间折扣系数；

监测所述测试者进行作答的作答一致性，从而计算作答一致性折扣系数；

监测所述测试者进行作答的作答规律性，从而计算作答规律性折扣系数；

监测所述测试者进行作答的社会赞许性，从而计算社会赞许性折扣系数；

将基础信度指数乘以作答时间折扣系数、作答一致性折扣系数、作答规律性折扣系数以及社会赞许性折扣系数，得到所述信度指数。

在一个可选实施例中，将所述信度指数与所述基础信度指数的比值作为权重因子，乘以基础学习动力得分，得到所述学习动力得分。

在一个可选实施例中，将所述信度指数与所述基础信度指数的比值作为权重因子，乘以基础学习效力得分，得到所述学习效力得分。

在一个可选实施例中，监测所述测试者进行作答的作答时间，从而计算作答时间折扣系数，包括：

以在交互界面上呈现题目开始计时，以接收到所述测试者完成所述题目的指令结束计时，得到所述题目的作答时间；

累加所有作答题目的作答时间，得到总的累积作答时间；

将所述累积作答时间与常模样本数据库中测试者所属群体的平均作答时间范围进行比较，若超出所述范围，则作答时间折扣系数赋值为小于1大于0的数值。

在一个可选实施例中，监测所述测试者进行作答的作答规律性，从而计算作答一致性折扣系数，包括：

在从测试题题库中抽取的题目中以预定间隔出现内容相同表述不同的题目；

统计测试者作答所述相同的题目或内容相同表述不同的题目结果不一致的次数；

将所述次数与常模样本数据库中测试者所属群体的结果不一致的平均次数范围进行比较，若超出所述范围，则作答一致性折扣系数赋值为小于1大于0的数值。

在一个可选实施例中，监测所述测试者进行作答的作答规律性，从而计算作答规律性折扣系数，包括：

监测相邻作答题目的作答结果是否存在递增、递减或交替达到预定次数；

若超出所述预定次数，则作答规律性折扣系数赋值为小于1大于0的数值。

在一个可选实施例中，监测所述测试者进行作答的社会赞许性，从而计算社会赞许性折扣系数，包括：

在从测试题题库中抽取测谎题目进行显示；

计算测试者说谎的题目数与总测谎题数的比值，从而得到所述社会赞许性折扣系数。

在一个可选实施例中，所述方法还包括：

采集测试者作答时的伴随性反应信息，其中所述伴随性反应信息包括鼠标点击间隔时长或键盘敲击间隔时长；

若所述间隔时长小于预设时长，则将基础信度指数乘以小于1大于0的系数，得到所述信度指数。

在一个可选实施例中，所述方法还包括：

采集测试者作答时的伴随性反应信息，其中所述伴随性反应信息包括生理特征参数；

若所述生理特征参数超过预设值，则将所述社会赞许性折扣系数乘以小于1大于0的系数。

其中，所述生理特征参数包括测试者心率、血压或瞳孔大小。

在一个可选实施例中，所述方法还包括：

识别所述测试者的面部表情；

若识别出面部表情为预存的面部表情之一，生成面部表情折扣系数；

将所述面部表情折扣系数乘以基础学习动力得分，得到所述学习动力得分；

将所述面部表情折扣系数乘以基础学习效力得分，得到所述学习效力得分。

在一个可选实施例中，所述方法还包括：

跟踪所述测试者的视线注视范围；

若所述视线注视范围超出在所述交互界面上呈现的题目的边界，生成视线注视范围折扣系数；

将所述视线注视范围折扣系数乘以所述面部表情折扣系数以及所述基础学习动力得分，得到所述学习动力得分；

将所述视线注视范围折扣系数乘以所述面部表情折扣系数以及所述基础学习效力得分，得到所述学习效力得分。

本发明第二方面公开一种计算设备，包括处理器和存储器，存储器中存储有程序，所述程序被所述处理器执行时实现本发明第一方面所述的方法。

本发明第三方面公开一种存储介质，存储有程序，所述程序被所述处理器执行时实现本发明第一方面所述的方法。

本发明第四方面公开一种计算系统，包括所述计算设备和用户终端，其中所述用户终端包括显示器、鼠标和键盘，其中所述显示器用于呈现所述交互界面，所述鼠标和键盘用于测试者作答。

在一个可选实施例中，所述计算系统还包括：

生理特征采集装置，用于采集测试者的生理特征参数。其中，所述生理特征参数发送到所述计算设备用于计算所述学习力得分。

可选地，所述生理特征采集装置为智能手环，所述生理特征参数包括测试者心率和血压。

可选地，所述生理特征采集装置为红外摄像头，所述计算系统还包括视线追踪程序，存储在所述存储器中，所述生理特征参数包括测试者瞳孔大小。

在一个可选实施例中，

所述红外摄像头还用于采集测试者的面部表情图像数据，其中，所述面部表情图像数据发送到所述计算设备，所述计算系统还包括图像识别程序，存储在所述存储器中，用于识别采集到的面部表情，所述识别的面部表情用于计算所述学习力得分。

在一个可选实施例中，所述视线追踪程序还对采集的测试者眼球图像数据进行分析，得到测试者的视线注视范围，所述视线注视范围用于计算所述学习力得分。

本发明的有益效果如下：

本发明提供的评估方法能够从影响学业成绩的因素方面而不是学业成绩本身对测试者的学习力做出评估，基于教育心理学测量技术通过对影响学习力的系统性因素进行全方位测量，能够全面的评估学习力。进一步，通过采集测试者的伴随性反应信息，结合基于教育心理学测量技术，能够使得学习力的评估更客观。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明。

图1示出实施根据本发明一个实施例的学习力评估方法的硬件架构图；

图2示出根据本发明一个实施例的学习力评估方法的流程图；

图3示出根据本发明一个实施例的交互界面示意图，通过该界面可以测试者可以输入人口学信息；

图4示出根据本发明一个实施例的交互界面示意图，通过该界面可以向测试者呈现题目；

图5和图6分别示出根据本发明一个实施例的采集测试者伴随性信息的流程图；以及

图7示出根据本发明一个实施例的计算设备的架构图。

具体实施方式

为了更清楚地说明本发明，下面结合实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。

学习的过程是学习主体与环境进行信息交互的过程，围绕着认知加工过程展开。依据加涅（Gagne）的信息加工理论，其中涉及认知加工的能力基础、认知加工过程的执行控制和对认知加工行为的期望，这些是认知加工过程的动态因素。

对于学习力的测量与评价应该以学业成绩为核心效标，然而发明人发现仅考虑学业成绩并不全面客观，还要考虑影响学业成绩的直接因素和间接因素，全面评估学生的各方面因素。

在影响学业成绩的诸多因素中，一个人在学习方面的潜力（学习潜力）、在学习方面的有效性（学习效力）和学习方面的动力（学习动力）是三个主要影响因素。

然而，就学习潜力、学习效力和学习动力而言，如何使用客观的测试题来反映成为接下来要解决的问题。

为此，发明人将学习潜力进一步划分为9项潜力维度表征，包括注意力、工作记忆能力、信息加工能力、思维转换能力、逻辑推理能力、表象能力、数学能力、空间能力和语言能力；学习效力包括学习策略和学习风格两部分，其中学习策略包括11项策略维度，分别是复述策略、精细加工策略、组织策略、反馈策略、计划策略、监控策略、调节策略、时间管理层策略、环境管理策略、心境管理策略、求助策略，学习风格包括3项风格维度，分别是依存风格、决策风格、执行风格；学习动力包括3项态度维度，分别是认知、情感、行为意向。

进而，发明人基于教育心理学测量技术针对以上的维度设计作答题目，如表1所示。所设计的作答题目需要反映对应的维度，例如通过图形辨别测试题目能够测量测试者的注意力。

表1

在此基础上，本发明的基本原理是通过对影响学习力的系统性因素进行全方位测量和评估，从而提出一套基于教育心理学测量技术的学习力评估方法。

图1为根据本发明一个实施例的学习力评估方法的应用环境图示意图。本申请提供的学习力评估方法，可应用于如图1所示的应用环境中。其中，用户终端10通过网络11与计算设备12通信，将测试者的作答数据发送到计算设备12进行计算分析，经过分析后，分析结果可以返回到用户终端10进行显示。

终端10可以是台式设备或者移动终端，如台式电脑、平板电脑、智能手机等。计算设备12可以是服务器，例如独立的物理服务器、物理服务器集群或者虚拟服务器。

图2示出根据本发明一个实施例的学习力评估方法，包括：

S20、根据测试者在交互界面上输入的人口学信息，从测试题题库中抽取适配的题目显示在所述交互界面上供所述测试者作答，其中所述学习力包括学习潜力、学习效力和学习动力，所有作答的题目能够反映所述学习潜力、学习效力和学习动力。

在一个具体示例中，使用上述设计的作答题目构建测试题库，存储于计算设备12中。

另外，为了进行有效的评估，预先构建测试者所属群体的常模样本数据库，包括所述群体对试题库中题目作答的得分分布。该常模样本数据库也可以存储于计算设备12中。

本发明中的“常模样本”是指通过取样的方式选取有代表性的样本来代表常模群体，也可代表常模总体，这个用来代表常模总体的样本就称为常模样本。常模群体中的样本越多，测试结果的准确度越高。

可以根据测试者的人口学信息构建不同的测试题库和对应的常模样本数据库，例如对于不同性别、不同地区、不同年龄/年级来构建测试题库并获得常模样本数据库。

在一个实际应用场景中，例如一个15岁的北京地区的男孩进行测试。在测试时，可以从测试题库中抽取的适配题目是从针对15岁的测试题库中抽取题目。在另一个示例中，可以抽取针对15岁并且是北京地区的适配题目。这样的方式让测试更具有自由度。

在一个示例中，如图3所示，测试者在终端10的交互界面100上首先完成人口学信息的采集，包括：姓名、性别、地区、年龄、年级等，这些信息通过交互界面向测试者呈现。除姓名为，其它信息均可以从下拉菜单中进行选择。待测试者填完后，点击“提交”按键。

终端10向测试者以文字呈现或语音播放指导语，测试正式开始。所抽取的题目以呈现-作答方式顺序呈现在交互界面100中。

如图4所示，导语以文字形成呈现在交互界面100上。

在该示例中，导语为：

说明：本测试要求从画出不同数目圆圈的小方格内找出4个圆圈小方格，找到后请在该方格上画“√”。

请注意：

1.要小方格内有4个小圆圈。不管圆圈的排列方式如何，都属于要找的小方格；

2.从测试的第一行开始自左至右依次寻找，查完一行再查下一行，直至全部查完。

在图4所示的示例中，呈现的作答题目为表1中的选4圈测试，对应于注意力维度。当测试者做完该题目后，点击“提交”按键，则从测试题题库中抽取下一道测试题呈现在交互界面上。这不同于一次性抽取整套题目来让测试者进行作答。

虽然仅仅示出了注意力维度对应的一种类型的测试题，本领域技术人员能够理解，表1中的其它类型的测试题均会被抽取以呈现，以期全方位测量和评价。这些反映不同维度的测试题本身是在教育心理学测量技术中公知的，这里不再赘述。

优选地，本发明的方法对所获取每道题的作答结果进行实时计算，且累计前序作答结果进行分析得到能力水平预估值和题目难度指向；根据实时调整的测试者的能力水平预估值及题目难度指向（继续变难、变易还是同水平），进入测试题库抽取对应难度和区分度的题目进行测试。

在这种情况下，进一步地，在上述构建测试题题库的步骤中需要对每道测试题进行维度分类、难度标志、区分度标志。

这样的评估方法是基于心理测量学中的项目反应理论开发而来，并非简单的基于前序题目答案推送下一确定题目的逻辑推题，而是基于所有前序题目的正确率、难度、区分度信息进行能力水平和稳定性计算，且题库抽取题目在确定难度、区分度的基础上具有一定的随机性，不同测试者即使能力水平相近其作答路径和测试内容也不一致。

S22、分析测试者作答的情况，得到学习潜力得分P、学习效力得分E和学习动力得分M。

在一个具体示例中，测试者的作答信息通过终端12发送到计算设备10，计算设备10得到如表2所示信息。

表2

其结果与对应的常模数据库进行比对，得到测试者结果的各维度得分。

在表3所示的示例中，经过标准分转化公式得到各项目的标准得分（均值为100分，标准差为25分）。本领域技术人员能够理解标准分仅仅是一个示例，可以有其它计算方式，本发明不做限定。

表3

上述实施例学习潜力总得分为99.7分，学习效力总得分为118分，学习动力总得分为135分。

S24、根据所述学习潜力得分P、学习效力得分E和学习动力得分M，得到综合学习力得分LP。

针对测试者所属的群体，分别关于学习潜力、学习效力和学习动力的得分统计，发明人采用线性回归算法构建针对该群体的综合学习力得分模型：LP = a*P + b*E + c*M +d；其中系数a、b、c和d为回归系数，针对不同的群体而不同。在上述实施例中，a、b、c和d分别取0.179、0.081、0.189和-1.267。

将学习潜力总得分，学习效力总得分以及学习动力总得分输入该得分模型中，得到学习力总得分LP。

该学习力得分LP可以由计算设备12返回到终端10进行显示。

在另一个示例中，还可以将常模数据库中学习潜力、学习效力和学习动力的得分分布根据标准差分为不同的区间范围。

将上述测试者的学习潜力、学习效力和学习动力的得分与上述区间范围相比较，查询分别属于对应的得分分布的区间范围，从而得到测试者分别在学习潜力、学习效力和学习动力方面在所属群体中的等级。

该等级可以与学习力得分LP一并返回到终端10进行显示。

尽管以上方法已然从影响学习成绩的主要因素对测试者进行了评估，然而，实际上，存在测试者应付测试的情况，这必然会使得本发明的上述方法的客观性和真实性受到影响。

为此，本发明进一步提出了如下方法。

在一个示例中，方法进一步包括：

监测测试者进行作答的作答时间，从而计算作答时间折扣系数。

在一个示例，以在交互界面上呈现题目开始计时，以接收到测试者完成所述题目的指令（例如测试者点击“提交”）结束计时，得到该题目的作答时间。

累加所有作答题目的作答时间，得到总的累积作答时间；

将累积作答时间与常模样本数据库中测试者所属群体的平均作答时间范围进行比较，若超出所述范围，则作答时间折扣系数赋值为小于1大于0的数值。

例如，针对不同测试类型的题目（限时能力题、非限时能力题、问卷类）计算总时长。同一类型测试的时间以每个测试最小单元（单一测试）的“完成时间”减去“开始时间”（单位：秒），加和求得。

其中，限时能力类测试计算方式为：限时能力类测试作答时长TN=∑（（图形辨别测试完成时间-图形辨别测试进入时间）+（选四圈测试完成时间-选四圈测试进入时间）+……）

非限时能力类测试计算方式为：非限时能力类测试作答时长TM=∑（（逻辑推理测试完成时间-逻辑推理测试进入时间）+（数学运算测试完成时间-数学运算测试进入时间）+……）

问卷类测试计算方式为：问卷类测试作答时长TF=∑（（学习态度问卷完成时间-学习态度问卷进入时间）+（学习策略问卷完成时间-学习策略问卷进入时间）+……）

上述平均作答时间范围为测试者所属群体作答时间均值M至前后两个标准差的区间，即[M-2SD,M+2SD]。

在一个具体示例中，问卷类测试作答时间低于M-2SD：作答时间折扣系数为0.6；问卷类测试作答时间超过M+2SD：作答时间折扣系数为0.9；限时能力类测试作答时间低于下限：作答时间折扣系数0.8；非限时能力类测试作答时间低于M-2SD：作答时间折扣系数0.8；非限时能力类测试作答时间超过M+2SD：作答时间折扣系数0.9。总的折扣系数即可以为各种测试类型题目折扣系数的平均值。

在一个示例中，方法进一步包括：

监测测试者进行作答的作答一致性，从而计算作答一致性折扣系数。

在一个示例中，在从测试题题库中抽取的题目中以预定间隔出现相同的题目或内容相同但表述不同的题目，例如，问卷类题目中随机置入5对（10道）固定组合的题目（中间要有较大题目数量的间隔）。

统计测试者作答这些相同的题目或内容相同表述不同的题目结果不一致的次数。

将结果不一致的次数与常模样本数据库中测试者所属群体的结果不一致的平均次数范围进行比较，若超出所述范围，则作答一致性折扣系数赋值为小于1大于0的数值，例如作答一致性较低，则作答一致性折扣系数赋值0.7。

在一个示例中，本发明的方法还包括：

监测测试者进行作答的作答规律性，从而计算作答规律性折扣系数。

在一个具体示例中，监测相邻作答题目的作答结果是否存在递增、递减或交替达到预定次数。

例如测试者连续选择同一选项，统计指数为连续选择次数，例如参数为10，即如果作答时连续选择同一选项达到10次，报告为一次规律性作答，如AAAAAAAAAA、BBBBBBBBBB、是是是是是是是是是是、否否否否否否否否否否。

又例如，测试者循环式选择，统计指数为循环选择次数，参数为10，即如果作答时相邻选项存在一定递增/递减/交替规律达到10次，报告为一次规律性作答，如ABCDABCDABCD、ABABABABAB、ABCDDCBAABCDDCBA、是否是否是否是否是否。

若监测到超出预定次数，则作答规律性折扣系数赋值为小于1大于0的数值。例如，作答规律性总次数≥3、＜6时：作答规律性折扣系数赋值为0.8；答规律性总次数≥6时：作答规律性折扣系数赋值为0.6。

在一个具体示例中，本发明的方法还包括：

监测测试者进行作答的社会赞许性，从而计算社会赞许性折扣系数。

具体地，从测试题题库中抽取测谎题目进行显示。

计算测试者说谎的题目数与总测谎题数的比值，从而得到社会赞许性折扣系数。

表4为得到的各种折扣系数的一个具体示例。

表4

上述这些折扣系数若小于1，意味着测试者进行的测试的置信度会打折扣。例如设置基础信度指数为100，考虑到上述折扣系数中的一种或多种，那么测试的信度指数则变得小于100，折扣系数越小，得到的信度指数也越小。

优选地，将基础信度指数乘以作答时间折扣系数、作答一致性折扣系数、作答规律性折扣系数以及社会赞许性折扣系数，得到信度指数。这样，显然对置信度的评测显然更准确。

以上均是从教育心理学测量技术方面通过设置各种测试题对学习力进行的测量，对置信指数的计算也仍然基于测试题本身。然而，发明人发现，测试者在作答过程中的一些伴随性反应有助于进一步提高基于教育心理学测量技术得到的上述指标的客观性。

为此，在另一个示例中，采集测试者作答时的生理特征参数，其中，所述生理特征参数包括测试者心率、血压或瞳孔大小。

人在说谎时往往伴随着心率加快、血压上升或瞳孔缩小，为此，在该示例中通过采集这些生理特征参数来对社会赞许性进行辅助校验。

为此，如图1所示的终端10之外，还包括用于监测心率、血压的装置生物特征采集装置，例如智能手环14。测试者在开始测量时就进行佩戴，智能手环采集到的信号经由终端10发送到计算设备12，与基于测试题的作答得到的结果一起进行分析。

为了采集瞳孔大小，需要红外摄像头，其采集的瞳孔信息也可经由终端10发送到计算设备12进行分析。在一个示例中，终端10本身具备摄像头，而在终端不具备摄像头的情况下，额外增加摄像头。

在一个可选实施例中，所述方法还包括：

采集测试者作答时的鼠标点击间隔时长或键盘敲击间隔时长；

若所述间隔时长小于预设时长，则将基础信度指数乘以小于1大于0的系数。

这种情况下，不必对题目类型进行区分。只要监测到例如测试者使用键盘或鼠标作答时连续点击的间隔时长小于正常的时间（点击频率过高），则往往意味着其对于测试是应付的心态，那么该测试的置信度就要下降。

在一个实施例中，将信度指数与综合学习力得分LP一并呈现报告。

然而，在上述表格1-3的实施例中，使用学习态度自评量表来进行学习动力的测试并且使用学习策略自评量表来进行学习效力的测试。然而，实际上，测试者在测试时应付的态度也能够反映其在整个学习上的动力和效力是否足。

为此，在另一个实施例中，在计算学习动力分值时，在将所述信度指数与所述基础信度指数的比值作为权重因子，计算所述学习动力得分。

例如在表3中的学习动力总得分为135分的基础上，乘以该权重因子，得到最终的学习动力总得分，表3中的学习效力总得分为118分的基础上，乘以该权重因子，得到最终的学习效力总得分，之后以考虑了权重因子的学习动力总得分和学习效力总得分完成学习力得分的计算。不同于上述学习力得分与信度指数独立呈现的方式，在该实施例中，信度指数作为影响学习力得分的因素考虑进来，使得学习力评价更客观。

在一个优选实施例中，如图所述方法还包括：

识别所述测试者的面部表情；

例如当检测到测试者的面部表情是茫然、发呆，这往往意味着测试者对于测试的态度不佳，进而能够反映出测试者对于学习动力和学习效力不足，则对面部表情折扣系数赋值为小于1大于0的值。将该值乘以例如表3中基于教育心理学测量技术获得的学习动力得分135和学习效力得分118，得到最终的学习动力得分和学习效力得分。

为此，需要使用红外摄像头采集测试者的面部表情。

计算设备12还包括图像识别程序，例如CNN算法程序，用于识别采集到的面部表情。

除了面部表情之前，测试者眼神往往能够反映其作答时的状态。为此，在一个可选实施例中，如图6所示，所述方法还包括：

跟踪所述测试者的视线注视范围；

将所述视线注视范围折扣系数乘以所述面部表情折扣系数以及所述基础效力得分，得到所述学习效力得分。

为此，计算设备12还包括视线追踪程序，对红外摄像头采集的测试者眼球图像进行分析，得到测试者的视线注视范围。

表5给出了根据一个具体示例的伴随性反应信息采集指标。

表5

如图7所示，适于用来执行上述实施例提供的方法的计算设备，例如如图1所述的服务器12。该计算设备包括中央处理模块（CPU），其可以根据存储在只读存储器（ROM）中的程序或者从存储部分加载到随机访问存储器（RAM）中的程序而执行各种适当的动作和处理。在RAM 中，还存储有计算机系统操作所需的各种程序和数据。CPU 、ROM以及RAM通过总线被此相连。输入/输入（I/O）接口也连接至总线。

以下部件连接至I/O接口: 包括键盘、鼠标等的输入部分；包括诸如液晶显示器（LCD）等以及扬声器等的输出部分; 包括硬盘等的存储部分；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口。可拆卸介质，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器上，以便于从其上读出的计算机程序根据需要被安装入存储部分。

特别地，根据本实施例，上文流程图描述的过程可以被实现为计算机软件程序。例如，本实施例包括一种计算机程序产品，其包括有形地包含在计算机可读介质上的计算机程序，上述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。

附图中的流程图和示意图，图示了本实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或示意图中的每个方框可以代表一个模块、程序段或代码的一部分，上述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，示意图和/或流程图中的每个方框、以及示意和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。描述于本实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。

作为另一方面，本发明实施例还提供了一种非易失性计算机存储介质，该非易失性计算机存储介质可以是上述实施例中上述装置中所包含的非易失性计算机存储介质，也可以是单独存在，未装配入终端中的非易失性计算机存储介质。

上述非易失性计算机存储介质存储有一个或者多个程序，当上述一个或者多个程序被一个设备执行时，使得上述设备实现根据本申请上述实施例的训练方法或诊断方法。

需要说明的是，在本发明的描述中，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。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于本领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims

1.一种计算机实施的学习力评估方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，根据所述学习潜力得分P、学习效力得分E和学习动力得分M，得到综合学习力得分LP，包括：

根据所述测试者所属的群体分别关于学习潜力、学习效力和学习动力的得分统计，构建针对所述群体的综合学习力得分模型LP = a*P + b*E + c*M +d；

其中所述模型中的系数a、b、c和d为回归系数。

3.根据权利要求1或2所述的方法，其特征在于，还包括：

查询所述学习潜力、学习效力和学习动力的得分分别属于对应的得分分布的区间范围，从而得到所述测试者分别在学习潜力、学习效力和学习动力方面在所属群体中的等级。

4.根据权利要求1所述的方法，其特征在于，还包括：

获得所述测试者进行作答的信度指数；

将所述信度指数与所述综合学习力得分LP一并呈现。

5.根据权利要求1所述的方法，其特征在于，还包括：

获得所述测试者进行作答的信度指数；

6.根据权利要求4所述的方法，其特征在于，所述获得所述测试者进行作答的信度指数，包括：

7.根据权利要求6所述的方法，其特征在于，

将所述信度指数与所述基础信度指数的比值作为权重因子，计算所述学习动力得分和所述学习效力得分。

8.根据权利要求6或7所述的方法，其特征在于，

监测所述测试者进行作答的作答时间，从而计算作答时间折扣系数，包括：

累加所有作答题目的作答时间，得到总的累积作答时间；

9.根据权利要求6或7所述的方法，其特征在于，

监测所述测试者进行作答的作答规律性，从而计算作答一致性折扣系数，包括：

在从测试题题库中抽取的题目中以预定间隔出现相同的题目或内容相同表述不同的题目；

10.根据权利要求6或7所述的方法，其特征在于，

监测所述测试者进行作答的作答规律性，从而计算作答规律性折扣系数，包括：

11.根据权利要求6或7所述的方法，其特征在于，

监测所述测试者进行作答的社会赞许性，从而计算社会赞许性折扣系数，包括：

在从测试题题库中抽取测谎题目进行显示；

12.根据权利要求4或5所述的方法，其特征在于，还包括：

13.一种计算设备，包括处理器和存储器，存储器中存储有程序，其特征在于，所述程序被所述处理器执行时实现权利要求1-12中任一项所述的方法。

14.一种存储介质，存储有程序，其特征在于，所述程序被所述处理器执行时实现权利要求1-12中任一项所述的方法。

15.一种计算系统，其特征在于，包括：

权利要求13所述的计算设备；

生理特征采集装置，用于采集测试者的生理特征参数；

红外摄像头，用于采集测试者的面部表情图像数据和眼球图像数据，

其中，所述生理特征参数、面部表情图像数据和眼球图像数据发送到所述计算设备用于计算所述学习力得分。