CN114400072A - 孤独症康复数字化评估系统及方法 - Google Patents
孤独症康复数字化评估系统及方法 Download PDFInfo
- Publication number
- CN114400072A CN114400072A CN202111667812.8A CN202111667812A CN114400072A CN 114400072 A CN114400072 A CN 114400072A CN 202111667812 A CN202111667812 A CN 202111667812A CN 114400072 A CN114400072 A CN 114400072A
- Authority
- CN
- China
- Prior art keywords
- skill
- evaluation
- module
- pushing
- skills
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 103
- 206010003805 Autism Diseases 0.000 title claims abstract description 22
- 208000020706 Autistic disease Diseases 0.000 title claims abstract description 22
- 238000011084 recovery Methods 0.000 title claims description 7
- 238000000034 method Methods 0.000 title description 17
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000011867 re-evaluation Methods 0.000 claims description 26
- 239000000523 sample Substances 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000007635 classification algorithm Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000005728 strengthening Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000003016 pheromone Substances 0.000 description 11
- 241000257303 Hymenoptera Species 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 239000004576 sand Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 208000029560 autism spectrum disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 208000035475 disorder Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 206010012559 Developmental delay Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Epidemiology (AREA)
- Educational Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- Psychiatry (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- General Business, Economics & Management (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
Abstract
本发明提出了一种孤独症康复数字化评估系统及方法，所述评估系统包括，数据库模块，存储用于评估的题目；出题模块，根据预设出题规则选择所述题目形成一套评估试题；评估模块，根据所述试题的答题结果计算得分并进行分析对已达标的项目进行标注；技能推送模块，根据预设的技能推送规则和所述标注进行技能推送；教学计划生成模块，根据所述技能推送的情况和所述评估模块得出的评估结果生成教学计划；本发明可以自动生成教学计划，提高计划的专业性，缩短从评估到计划生成的时间。
Description
技术领域
本发明涉及教育信息化技术领域，尤其涉及一种孤独症康复数字化评估系统及方法。
背景技术
孤独症(也叫自闭症)谱系障碍(Autism Spectrum Disorder，简称ASD)。2013年5月18日，美国精神病学会发布精神疾病诊断统计手册第五版(Diagnosis and StatisticalManual of Mental Disorders-fifth edition，DSM-5)正式提出孤独症谱系障碍的概念。孤独症是以社交交流与社交互动障碍、兴趣局限与刻板重复的行为方式为主要临床表现的发展障碍。本技术主要服务的群体为孤独症谱系障碍儿童。
由于孤独症谱系障碍儿童技能发展与存在障碍的差异性，个别化教育计划对于这样的群体是必要的，在美国，法律要求每个接受特殊教育和相关服务的公立学校儿童都必须参加个性化教育计划(IEP)。每个IEP必须为一名学生设计，并且必须是一份真正个性化的文件。IEP为教师、家长、学校管理人员、相关服务人员和学生(在适当的情况下)创造机会共同努力改善残疾儿童的教育成果。IEP是为每个残疾儿童提供优质教育的基石。
传统的个别化干预计划，主要是由评估师使用受到广泛认可的评估工具对儿童的各项技能进行评量，再由经验丰富的教学督导制定相关计划。在个别化干预计划的制定上需要花费较长的时间。在大部分的康复机构，需要2-3周的时间才能够生成计划；传统个别化教育计划生成有如下的缺点：对于专业人员要求较高，满足撰写个别化教育计划资质的老师较少，不能满足目前孤独症特殊障碍儿童的需求；非专业老师在选择个别化教育计划目标时，容易初出现目标缺乏依据，有失偏颇的情况。这样的问题会直接导致儿童的目标不具备实用性；个别化教育计划的撰写耗时较长，往往在评估之后撰写周期里，儿童有些技能就已经掌握，导致计划目标缺乏即时性。
发明内容
本发明提供了一种一种孤独症康复数字化评估系统及方法，可以自动生成教学计划，提高计划的专业性，缩短从评估到计划生成的时间。
第一方面，本发明实施例提供了一种孤独症康复数字化评估系统，所述评估系统包括：
数据库模块，存储用于评估的题目；
其中，所述题目的属性包括，题目与技能的关系、技能的所属关系、技能与年龄的关系和技能的其他属性；其中，技能的其他属性包括，是否为基础技能、是否为语言相关技能和是否为探测技能；
出题模块，根据预设出题规则选择所述题目形成一套评估试题；
评估模块，根据所述试题的答题结果计算得分并进行分析对已达标的项目进行标注；
技能推送模块，根据预设的技能推送规则和所述标注进行技能推送；
教学计划生成模块，根据所述技能推送的情况和所述评估模块得出的评估结果生成教学计划。
可选地，所述评估系统还包括重新评估模块，接收教师发出的重新评估指令或家长在APP端发起的重新评估指令后进行重新评估；所述重新评估模块调出历史评估结果与重新评估结果进行对比。
可选地，所述数据库模块采用蚁群算法对数据进行存储；
可选地，所述数据库模块包括新题录入单元，所述新题录入单元的新题录入步骤包括：
用分类算法对所述新题的类型进行分类识别；
根据所述分类识别结果将所述新题录入数据库中对应该类别的位置。
可选地，所述分类算法包括：
将所述数据库模块中的题目数据集分为定量数据集和定性数据集，再利用Pearson相关系数计算定量变量间的相关性，用Kendall系数计算定量、定性变量间的相关性，得到新的相关系数矩阵；
使用主成分分析法对所述相关系数矩阵进行降维处理，得到新的属性变量集；
再对所述新的属性变量集构建朴素贝叶斯模型，对所述新题进行分类。
可选地，所述评估模块包括结果展示单元，所述结果展示单元根据所述评估模块的评估结果在PC端绘制结果展示详情图或在APP端绘制结果展示示意图。
可选地，所述技能推送模块包括：
基础技能推送单元，在基础技能中选择13个未达标的技能进行推送；
强化技能推送单元，若未达标的基础技能不足13个则选择未达标的强化技能进行推送，补足13个技能推送。
可选地，所述技能推送模块还包括探测单元，所述探测单元用于探测当前推送的技能是否为语言相关技能，若为语言相关技能则判断探测技能是否全部达标，若没有全部达标则提示当前儿童主动语言能力较弱，建议跳过当前技能中主动语言部分的训练，若全部达标则不提示。
第二方面，本发明提供了一种孤独症康复数字化评估方法，所述评估方法包括：
获取用于评估的题目；
其中，所述题目的属性包括，题目与技能的关系、技能的所属关系、技能与年龄的关系和技能的其他属性；其中，技能的其他属性包括，是否为基础技能、是否为语言相关技能和是否为探测技能；
根据预设出题规则选择所述题目形成一套评估试题；
根据所述试题的答题结果计算得分并进行分析对已达标的技能进行标注；
根据预设的技能推送规则和所述标注进行技能推送；
根据所述技能推送的情况和所述分析的结果制定教学计划。
可选地，所述评估方法还包括重新评估，接收教师发出的重新评估指令或家长在APP端发起的重新评估指令后进行重新评估；将历史评估结果与重新评。
有益效果
本发明提出了一种孤独症康复数字化评估系统及方法，所述评估系统包括，数据库模块，存储用于评估的题目；出题模块，根据预设出题规则选择所述题目形成一套评估试题；评估模块，根据所述试题的答题结果计算得分并进行分析对已达标的项目进行标注；技能推送模块，根据预设的技能推送规则和所述标注进行技能推送；教学计划生成模块，根据所述技能推送的情况和所述评估模块得出的评估结果生成教学计划；通过上述系统可以自动生成教学计划，提高计划的专业性，缩短从评估到计划生成的时间。
应当理解，发明内容部分中所描述的内容并非旨在限定本发明的实施例的关键或重要特征，亦非用于限制本发明的范围。本发明的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本发明各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素。
图1为本发明实施例的一种孤独症康复数字化评估系统的结构示意图；
图2为本发明实施例的一种孤独症康复数字化评估方法的流程图；
具体实施方式
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。
下面以具体的实施例对本发明进行说明，需要说明的是，本申请实施例描述的仅仅是为了更加清楚的说明本申请实施例的技术方案，并不构成对本申请实施例提供的技术方案的限定。
图1为本发明实施例的一种孤独症康复数字化评估系统的结构示意图；如图1所示，所述评估系统包括：
数据库模块20，存储用于评估的题目；
具体地，所述数据库模块采用蚁群算法对数据进行存储；
首先建立TSP蚁群算法模型：
定义类似TSP,设C+{c1,c2,…,cn}是一个节点的集合，
是集合C中元素两两连接的集合，dij(i,j＝1,2,…,n)是lij的Euclidean距离，如下式所示，式中，xi,xj,yi,yj分别表为元素节点的坐标。
G＝(C,L)表示某个有向图，TSP主要负责从有向图G中找出距离最小的Hamilton圈，此即一条对C＝{c1,c2,…,cn}中被n个元素同时通过且仅通过一次的最短封闭曲线。
为了更加准确模拟蚂蚁的实际运动轨迹，在蚁群算法模型中定义如下记号：bi(t)描述了t时刻位于元素i处的蚂蚁的总体数量；n描述了TSP蚁群的规模，m描述了蚁群中蚂蚁的总数，d描述了节点i,j之间的距离，则以上参数满足下式，
Lk描述了蚂蚁k运动轨迹的总体长度；本算法模型中通过禁忌表tabuk(k＝1,2,…,m)对蚂蚁k当前所走过的所有节点元素进行记录，蚂蚁集合属性随着tabuk的进化更新过程进行实时的动态调整。
描述了t时刻蚂蚁集合C中任意元素两两连接链路lij中包含的残留信息素的集合；τij(t)描述了t时刻运动路径(i,j)中残留信息素的总体数量。在此模型中，假定在初始时刻所有路径中包含的信息素浓度相等，且均匀分布，设初始信息素浓度τij(0)＝C(C为随机正常数)，而且需要说明的是蚁群算法寻求最优解的过程主要是通过有向图g＝(C,L,Γ)完成的，有向图对蚂蚁的运动路径进行规划，同时对信息素进行调整。
在所述TSP蚁群算法模型中路径选择机制如下：
在蚁群算法模型中放置的人工蚂蚁均处于离散状态，蚂蚁选择下一移动节点的依据是此路径上的信息素浓度，选取信息素浓度大的路径。蚂蚁在整个移动的过程中通过随机策略实现游程的遍历，而且在整个游程的遍历过程中总能找到满足要求的可行解。
首先，将m只蚂蚁根据随机分布原则将其分别安置在n个节点上，然后通过系统设定的状态转移规则在每个节点上循环实施。当蚂蚁处于节点i的位置，其通过执行随机转移策略对另一个尚未经过的节点j间的运动轨迹进行确定，该策略的判断依据主要包含两方面内容，一是节点i,j之间路径上分布信息素的含量τij(t)，二是两个节点间的距离。
描述了在t时刻蚂蚁k从节点i向节点j移动的状态转移概率，计算过程如下式所示：
在公式中，allowedk＝{{1,2,…,n}-tabuk}描述了蚂蚁k在下一时刻能够选择的节点集合；
描述了系统的启发函数，而且对于蚂蚁k来说，dij的取值越小，k则越大，转移概率
也就越大。
从数学的角度来看，启发函数能够准确描述蚂蚁从节点i向节点j移动的期望程度，即系统中路径(i,j)的期望程度；α，β分别负责描述τ，η因子对此的作用程度。其中，α作为系统的信息启发式因子，能够对轨迹的重要性进行描述，等价于其值能够描述此路径中包含的信息素的含量，信息素含量越大，α值越大，意味着蚂蚁选择其他蚂蚁已经运动过的路径的可能性就越大，但α值过大会给系统带来陷入局部最优解的困难之中；β是系统的期望启发式因子，描述了能见度的相对重要性，其取值的大小直接关系到启发式信息的重要程度。如果α＝0，蚁群算法越接近于典型的贪婪算法。如果β＝0，蚁群算法越接近于正反馈启发式算法。综上所述，算法的蚂蚁会选择路径相对较短、信息素含量相对较高的路径作为下一时刻的运行路径。
通过上述算法可以增加数据库的吞吐量，减少数据库的响应延时以及实现数据库的存储容量均衡分布。
存入数据库中的内容包含以下内容：
其中，题目包含的内容包括题干、实例和选项；
其中，所述题目的属性包括，题目与技能的关系、技能的所属关系、技能与年龄的关系和技能的其他属性；
其中，题目与技能的关系包括题目对应的技能、选项对应的阶段和选项对应的得分；
其中，技能的所属关系包括技能所属Level、技能所属领域、技能所属领域下子分类和子分类下题目/技能的排序；其中，技能所属Level、技能所属领域和技能所属领域下子分类都按指定顺序排序；
其中，技能与年龄的关系包括技能所属年龄；
其中，技能的其他属性包括，是否为基础技能、是否为语言相关技能和是否为探测技能；
本实施例中的所述数据库模块包括新题录入单元201，所述新题录入单元201的新题录入步骤包括：
用分类算法对所述新题的类型进行分类识别；
根据所述分类识别结果将所述新题录入数据库中对应该类别的位置。
其中，所述分类算法包括：
将所述数据库模块中的题目数据集分为定量数据集和定性数据集，再利用Pearson相关系数计算定量变量间的相关性，用Kendall系数计算定量、定性变量间的相关性，得到新的相关系数矩阵；
使用主成分分析法对所述相关系数矩阵进行降维处理，得到新的属性变量集；
再对所述新的属性变量集构建朴素贝叶斯模型，对所述新题进行分类。
具体地，用Pearson相关系数计算定量变量的相关性
设训练样本集D包含定量数据集D1和定性数据集D2,其中，D1包含n1个数值型变量，D2包含n2个定性变量(n1+n2＝n)，对D1中的数据进行标准化处理：
其中，x’ij为标准化后的数据，xij为第i行第j列的原始数据,
为第j列原始数据的均值，σj为第j列原始数据的标准差。
计算D1中各变量间的相关系数：
s，t＝1，2，…,n1；
其中,x′s和x′t为标准化处理后的第s列和第t列的数据，
和
分别为X′s和X′t的均值,x′is为第i行第s列标准化后的数据,x′it为第i行第t列标准化后的数据。
用Kendall系数计算定量、定性变量间的相关性；
Kendall系数又称为肯德尔秩相关系数，它是用来测量两个随机变量相关性的，其取值范围为[-1,1],当取值为1时，表示两个随机变量有一致的等级相关性；当取值为-1时，表示两个随机变量拥有完全相反的等级相关性；当取值为0时，表示两个随机变量是相互独立的。
现计算D2中各变量间的相关系数以及D1中变量与D2中变量的相关系数，令U表示变量Xs和变量Xt(s＝1,2,…,n；t＝n1,n1+1,…,n2)中的同序对(指变量大小顺序相同的两个样本观测值)，V表示Xs和Xt中的异序对，r和l分别表示Xs和Xt中相同元素组成的小集合数，Ci和Ei表示第i个小集合所包含的样本个数。
则变量Xs和变量Xt的相关系数为：
计算出各属性变量间的相关性大小，从而得到新的相关系数矩阵再对其相关系数矩阵求特征值和特征向量，得到前l个主成分，组成新的属性数据集。
主成分分析法(Principal Component Analysis)于1901年由Pearson提出，随后在1933年由Hotelling对其进行了推广，它是一种使用较为广泛的数据降维算法，主要对原来具有一定相关性的变量进行重新组合，转化为彼此互不相关的新的综合性变量，反映了原变量所提供的绝大部分信息，而这些互相正交的新变量则是原变量的线性组合，叫做主成分。确定主成分的具体步骤如下：设n个观测变量分别为Xi＝(x1i,x2i,…,xni2),i＝1,2,…,n，记变量Xs和变量Xt(s,t＝1,2,…,n)的相关系数为rst,则：
(1)对数据进行预处理；
(2)计算变量间的相关系数，得到相关系数矩阵R＝(rsts),s,t＝1,2,…,n；
(3)计算R的特征值λi和特征向量ei＝(ei1,ei2,…,eip),s,t＝1,2,…,n；
(4)计算主成分方差贡献率Vcr及前l个主成分的累计方差贡献率Cvcr：
(5)选出累计贡献率达70％～85％的特征值所对应的前l个主成分F1,F2,…,Fl：
其中，Fi与Fj(i≠j；i,j＝1,2,…,l)不相关,且var(Fi)>var(Fj),i<j。
综上，对原始变量进行转化后可得到l个主成分。
朴素贝叶斯算法是机器学习和数据挖掘中被广泛应用的一种分类算法，它先基于贝叶斯定理和属性条件独立性假设来计算待判样本属于各类的条件概率，再将其判别为概率最大的那一类。
假设存在一个训练样本集D，其样本个数为N，共有m类,用C＝{C1,C2,…,Cm}表示,且各类样本数分别为
该样本包含n个属性A1,A2,…,An那么第r个样本表示为xrxr＝(xr1,xr2,…,xrn),r＝1,2,…,N,其中，xri表示第r个样本属性Ai(i＝1,2,…,n)的取值，现给定一个待判样本y＝(y1,y2,…,yn),则可根据朴素贝叶斯各特征之间相互独立的原理计算出待判样本y属于类别Cj的条件概率为：
其中，yi是待判样本y在属性Ai的取值；P(y)为y＝(y1,y2,…,yn)的联合分布概率；P(yi|Cj)为在属于第Cj类的前提下待判样本y在属性Ai的取值为yi的条件概率；P(Cj)为第Cj类的先验概率。
由于属性Ai(i＝1,2,…,n)可能是离散属性，也可能是连续属性，因此P(yi|Cj)的计算可分为两种情况：
当属性Ai是离散型时：
其中，
为第Cj类下属性Ai的取值为yi的样本的个数。
当属性Ai是连续型时：
其中，
是第Cj类样本属性Ai的均值；
是第Cj类样本属性Ai的方差。
由上述条件概率公式可得到待判样本y属于各类的概率为Pj＝P(Ci|y)，j＝1,2,…,m,如果PK＝max{P1,P2,…,Pm}，那么将待判样本判别为第k类，k∈C。
在实际应用中，朴素贝叶斯的属性条件独立性假设往往难以成立，从而使得分类效果不好，为了降低属性间的关联程度，采用主成分分析法对原始数据进行提取，从而得到新的属性变量，使其在一定程度上满足独立性假设。
通过上述算法在新题录入时可以很好的对题目进行分类，然后录入数据库中，提高效率。
出题模块30，根据预设出题规则选择所述题目形成一套评估试题；
具体地，选定领域然后按照领域下子分类顺序和子分类下题目的排序在数据库筛选出符合条件的题目，组成一套评估试题，其中，出题时不考虑题目所属的年龄，所有年龄阶段的题目都包含在内。
评估模块40，根据所述试题的答题结果计算得分并进行分析对已达标的项目进行标注；
所述评估模块40包括结果展示单元401，所述结果展示单元401根据所述评估模块40的评估结果在PC端绘制结果展示详情图或在APP端绘制结果展示示意图。
技能推送模块50，根据预设的技能推送规则和所述标注进行技能推送；
所述技能推送模块50包括：
基础技能推送单元501，在基础技能中选择13个未达标的技能进行推送；
强化技能推送单元502，若未达标的基础技能不足13个则选择未达标的强化技能进行推送，补足13个技能推送。
其中，将所有技能分为了3个等级，等级的划分是根据普通儿童具体年龄水平进行划分的；等级越高，则年龄水平越高，反之亦然；将儿童的技能分为了9个领域，每个领域之下亦有自领域的划分；子分类中，如果得分为满分，则整个子分类都不再推送；如果未得满分，则当前等级水平的子分类下的得分最低的目标会优先补位至13个推送技能中；
其中，技能推送的规则如下：
先判断在评估中，是否每个技能都得满分，如果得满分则技能不推送；如果未得满分，则可以推送；
其次，判断未得满分的技能是否超出孩子年龄范围，如果技能未得满分但是超出儿童年龄范围，则不推送；
在后续推送中，分为两层逻辑：第一层为基础技能推送逻辑；第二层为强化技能推送逻辑；所谓基础技能，是由专业国际认证行为分析师团队在大量教学经验累积和文献查阅的前提下，确认的儿童学习必备技能，且这些技能对于儿童口语技能没有特定要求；而强化技能，则是指在评估当中除了基础技能以外的所有技能；
所述技能推送模块50还包括探测单元503，所述探测单元503用于探测当前推送的技能是否为语言相关技能，若为语言相关技能则判断探测技能是否全部达标，若没有全部达标则提示当前儿童主动语言能力较弱，建议跳过当前技能中主动语言部分的训练，若全部达标则不提示；
教学计划生成模块60，根据所述技能推送的情况和所述评估模块得出的评估结果生成教学计划。
其中，在计划生成过程中，两类技能在优先级排序上，优先推送基础技能对应的计划目标；由于在推送的过程当中，根据康复师日常教学习惯，会固定推送13个计划目标，因此如果基础技能未得满分的达到13条，则所有目标均出自基础技能目标。
若基础技能未达到13条，则剩余技能目标从强化目标当中推送。
教学计划生成规则如下：
首先获取专家对每个技能的打分数据；
依据技能推送模块50的技能推荐历史形成多个技能推荐方案；
以专家对所有技能的打分数据为分析依据，建立判断矩阵；
然后计算矩阵的一致性；
具体的一致性指标用CI计算，CI越小，说明一致性越大；CI＝0，有完全的一致性；CI接近于0，有满意的一致性；CI越大，不一致越严重；公式：
若一致性检验通过则计算该方案的权重，重复进行得出每个方案的权重；
接下来利用ELECTRE算法对候选方案的优劣进行排序。ELECTRE法的基本思想是通过构造一系列弱支配关系来淘汰劣的方案，从而逐渐缩小优的方案范围；支配关系是指建立在候选方案集合中的二元逻辑关系；假设候选方案集合中某2种方案为Aj和Ak，AjS Ak代表方案Aj综合性能在方案Ak之上(或者相等)。ELECTRE算法的目的就是不断缩小候选集合，直到没有任何方案能超越候选集合中的方案；每2种方案Aj和Ak之间定义如下一致性和不一致性参数：
式中，r为式中的归一化决策矩阵的元素，rij≥rkj代表第i种方案的第j种指标比第k种方案的第j种指标更优秀；c取值在[0，1]。
不一致性参数定义如下：
根据支配关系的含义，管材Ai支配Ak可定义为：
式中，
为支配关系S的阈值，通常分别取0.7，0.3。当一致性、不一致性参数同时满足阈值，代表方案Aj支配Ak。
为得到方案的综合评价指标的排序，需要更进一步计算综合一致性Ci和综合不一致性参数Di：
分别根据Ci，Di的大小进行排序，Ci越大，方案越优秀；Di越小，方案越优秀；Ci、Di排序的平均值即为方案最终排序。
最后根据最终方案的排序进行教学计划的推送,通过上述算法可以得出最优的推送方案，形成最优的教学计划，提高教学计划的教学效果。
所述评估系统还包括重新评估模块70，接收教师发出的重新评估指令或家长在APP端发起的重新评估指令后进行重新评估；所述重新评估模块调出历史评估结果与重新评估结果进行对比。
本发明提出了一种孤独症康复数字化评估系统，所述评估系统包括，数据库模块，存储用于评估的题目；出题模块，根据预设出题规则选择所述题目形成一套评估试题；评估模块，根据所述试题的答题结果计算得分并进行分析对已达标的项目进行标注；技能推送模块，根据预设的技能推送规则和所述标注进行技能推送；教学计划生成模块，根据所述技能推送的情况和所述评估模块得出的评估结果生成教学计划；通过上述孤独症康复数字化评估系统及方法可以自动生成教学计划，提高计划的专业性，缩短从评估到计划生成的时间。
图2为本发明实施例的一种孤独症康复数字化评估方法的流程图；如图2所示，所述评估系统方法包括：
S20、获取用于评估的题目；
S30、根据预设出题规则选择所述题目形成一套评估试题；
S40、根据所述试题的答题结果计算得分并进行分析对已达标的技能进行标注；
S50、根据预设的技能推送规则和所述标注进行技能推送；
S60、根据所述技能推送的情况和所述分析的结果制定教学计划；
所述评估方法还包括重新评估，接收教师发出的重新评估指令或家长在APP端发起的重新评估指令后进行重新评估；将历史评估结果与重新评估结果进行对比。
本发明提出了一种孤独症康复数字化评估方法，所述评估方法包括，获取用于评估的题目；根据预设出题规则选择所述题目形成一套评估试题；根据所述试题的答题结果计算得分并进行分析对已达标的技能进行标注；根据预设的技能推送规则和所述标注进行技能推送；根据所述技能推送的情况和所述分析的结果制定教学计划；通过上述孤独症康复数字化评估系统及方法可以自动生成教学计划，提高计划的专业性，缩短从评估到计划生成的时间。
以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种孤独症康复数字化评估系统，其特征在于，所述评估系统包括：
数据库模块，存储用于评估的题目；
其中，所述题目的属性包括，题目与技能的关系、技能的所属关系、技能与年龄的关系和技能的其他属性；其中，技能的其他属性包括，是否为基础技能、是否为语言相关技能和是否为探测技能；
出题模块，根据预设出题规则选择所述题目形成一套评估试题；
评估模块，根据所述试题的答题结果计算得分并进行分析对已达标的项目进行标注；
技能推送模块，根据预设的技能推送规则和所述标注进行技能推送；
教学计划生成模块，根据所述技能推送的情况和所述评估模块得出的评估结果生成教学计划。
2.根据权利要求1所述的评估系统，其特征在于，所述评估系统还包括重新评估模块，接收教师发出的重新评估指令或家长在APP端发起的重新评估指令后进行重新评估；所述重新评估模块调出历史评估结果与重新评估结果进行对比。
3.根据权利要求1所述的评估系统，其特征在于，所述数据库模块采用蚁群算法对数据进行存储；
4.根据权利要求1所述的评估系统，其特征在于，所述数据库模块包括新题录入单元，所述新题录入单元的新题录入步骤包括：
用分类算法对所述新题的类型进行分类识别；
根据所述分类识别结果将所述新题录入数据库中对应该类别的位置。
5.根据权利要求4所述的评估系统，其特征在于，所述分类算法包括：
将所述数据库模块中的题目数据集分为定量数据集和定性数据集，再利用Pearson相关系数计算定量变量间的相关性，用Kendall系数计算定量、定性变量间的相关性，得到新的相关系数矩阵；
使用主成分分析法对所述相关系数矩阵进行降维处理，得到新的属性变量集；
再对所述新的属性变量集构建朴素贝叶斯模型，对所述新题进行分类。
6.根据权利要求1所述的评估系统，其特征在于，所述评估模块包括结果展示单元，所述结果展示单元根据所述评估模块的评估结果在PC端绘制结果展示详情图或在APP端绘制结果展示示意图。
7.根据权利要求1所述的评估系统，其特征在于，所述技能推送模块包括：
基础技能推送单元，在基础技能中选择13个未达标的技能进行推送；
强化技能推送单元，若未达标的基础技能不足13个则选择未达标的强化技能进行推送，补足13个技能推送。
8.根据权利要求7所述的评估系统，其特征在于，所述技能推送模块还包括探测单元，所述探测单元用于探测当前推送的技能是否为语言相关技能，若为语言相关技能则判断探测技能是否全部达标，若没有全部达标则提示当前儿童主动语言能力较弱，建议跳过当前技能中主动语言部分的训练，若全部达标则不提示。
9.一种孤独症康复数字化评估方法，其特征在于，所述评估方法包括：
获取用于评估的题目；
其中，所述题目的属性包括，题目与技能的关系、技能的所属关系、技能与年龄的关系和技能的其他属性；其中，技能的其他属性包括，是否为基础技能、是否为语言相关技能和是否为探测技能；
根据预设出题规则选择所述题目形成一套评估试题；
根据所述试题的答题结果计算得分并进行分析对已达标的技能进行标注；
根据预设的技能推送规则和所述标注进行技能推送；
根据所述技能推送的情况和所述分析的结果制定教学计划。
10.根据权利要求9所述的评估方法，其特征在于，所述评估方法还包括重新评估，接收教师发出的重新评估指令或家长在APP端发起的重新评估指令后进行重新评估；将历史评估结果与重新评估结果进行对比。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111667812.8A CN114400072A (zh) | 2021-12-30 | 2021-12-30 | 孤独症康复数字化评估系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111667812.8A CN114400072A (zh) | 2021-12-30 | 2021-12-30 | 孤独症康复数字化评估系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114400072A true CN114400072A (zh) | 2022-04-26 |
Family
ID=81228571
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111667812.8A Pending CN114400072A (zh) | 2021-12-30 | 2021-12-30 | 孤独症康复数字化评估系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114400072A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103971555A (zh) * | 2013-01-29 | 2014-08-06 | 北京竞业达数码科技有限公司 | 多层次自动化评估训练综合服务方法及系统 |
| WO2021014458A1 (en) * | 2019-07-19 | 2021-01-28 | Joshi Pulkit Dutt | Systems and methods for automated visual perceptual assessment |
| CN113506624A (zh) * | 2021-08-16 | 2021-10-15 | 北京阿叟阿巴科技有限公司 | 基于逐层泛化推送逻辑的孤独症儿童认知能力评估干预系统 |
| CN113744841A (zh) * | 2021-08-30 | 2021-12-03 | 北京阿叟阿巴科技有限公司 | 一种基于逻辑树和多层级策略的孤独症儿童数字康复干预系统 |
-
2021
- 2021-12-30 CN CN202111667812.8A patent/CN114400072A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103971555A (zh) * | 2013-01-29 | 2014-08-06 | 北京竞业达数码科技有限公司 | 多层次自动化评估训练综合服务方法及系统 |
| WO2021014458A1 (en) * | 2019-07-19 | 2021-01-28 | Joshi Pulkit Dutt | Systems and methods for automated visual perceptual assessment |
| CN113506624A (zh) * | 2021-08-16 | 2021-10-15 | 北京阿叟阿巴科技有限公司 | 基于逐层泛化推送逻辑的孤独症儿童认知能力评估干预系统 |
| CN113744841A (zh) * | 2021-08-30 | 2021-12-03 | 北京阿叟阿巴科技有限公司 | 一种基于逻辑树和多层级策略的孤独症儿童数字康复干预系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109919810B (zh) | 在线学习系统中的学生建模与个性化课程推荐方法 | |
| CN107230174B (zh) | 一种基于网络的在线互动学习系统和方法 | |
| CN110378818B (zh) | 基于难度的个性化习题推荐方法、系统及介质 | |
| Yukselturk et al. | Predicting dropout student: an application of data mining methods in an online education program | |
| Bart | Acceptance criteria for using individual‐based models to make management decisions | |
| Bekele et al. | A bayesian approach to predict performance of a student (bapps): A case with ethiopian students | |
| El-Emam et al. | Modelling the likelihood of software process improvement: An exploratory study | |
| CN112508334B (zh) | 融合认知特性及试题文本信息的个性化组卷方法及系统 | |
| US20060069576A1 (en) | Method and system for identifying candidate colleges for prospective college students | |
| CN111723973B (zh) | 基于mooc日志数据中用户行为因果关系的学习效果优化方法 | |
| CN113656687B (zh) | 基于教研数据的教师画像构建方法 | |
| CN114201684A (zh) | 一种基于知识图谱的自适应学习资源推荐方法及系统 | |
| Wang et al. | Automatic assessment of student homework and personalized recommendation | |
| Kour et al. | Analysis of student performance using Machine learning Algorithms | |
| Liu et al. | Assessment based on linkage patterns in concept maps | |
| CN111552796A (zh) | 组卷方法、电子设备及计算机可读介质 | |
| Oreski et al. | CRISP-DM process model in educational setting | |
| US20220027733A1 (en) | Systems and methods using artificial intelligence to analyze natural language sources based on personally-developed intelligent agent models | |
| Zhang et al. | Enabling rapid large-scale seismic bridge vulnerability assessment through artificial intelligence | |
| CN112380429A (zh) | 一种习题推荐方法及装置 | |
| CN111401525A (zh) | 一种基于深度学习的适应性学习系统和方法 | |
| Kaensar et al. | Analysis and Prediction of Student Performance Based on Moodle Log Data using Machine Learning Techniques | |
| US20230088444A1 (en) | Unified platform of an artificial intelligence (ai) based test generator and test training system | |
| CN114400072A (zh) | 孤独症康复数字化评估系统及方法 | |
| US11238411B1 (en) | Artificial neural networks-based domain- and company-specific talent selection processes |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220426 |
|
| RJ01 | Rejection of invention patent application after publication |