CN115545570A - 一种护理教育培训的成果验收方法及系统 - Google Patents
一种护理教育培训的成果验收方法及系统 Download PDFInfo
- Publication number
- CN115545570A CN115545570A CN202211497985.4A CN202211497985A CN115545570A CN 115545570 A CN115545570 A CN 115545570A CN 202211497985 A CN202211497985 A CN 202211497985A CN 115545570 A CN115545570 A CN 115545570A
- Authority
- CN
- China
- Prior art keywords
- training
- evaluation
- result
- learning quality
- assessment
- 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
- 238000012549 training Methods 0.000 title claims abstract description 505
- 238000000034 method Methods 0.000 title claims abstract description 155
- 230000000474 nursing effect Effects 0.000 title claims abstract description 30
- 238000011156 evaluation Methods 0.000 claims abstract description 270
- 239000013598 vector Substances 0.000 claims abstract description 163
- 230000008569 process Effects 0.000 claims description 107
- 238000013441 quality evaluation Methods 0.000 claims description 74
- 238000001303 quality assessment method Methods 0.000 claims description 65
- 238000000605 extraction Methods 0.000 claims description 50
- 230000000875 corresponding effect Effects 0.000 claims description 25
- 230000002159 abnormal effect Effects 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 20
- 230000006399 behavior Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005520 cutting process Methods 0.000 claims description 8
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000012797 qualification Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 241000579895 Chlorostilbon Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种护理教育培训的成果验收方法及系统，通过获取到待验收学员培训数据后，采用学习质量评估模型对验收学员培训数据进行学习质量评估要素抽取，通过得到的多个评价维度的培训成绩评价向量以及对应每个评价维度的考核要素占比信息确定针对待验收学员培训数据的培训成果验收成绩。本申请基于考核要素占比信息评估不同评价维度的培训成绩评价向量的重要性，基于考核要素占比综合衡量的培训成绩评价向量可以更客观、公正且严谨地衡量培训成果，不单纯将最终的考核成绩作为培训的成果成绩，基于此，得到的培训成果验收结果更具备参考性和可信度。
Description
技术领域
本申请涉及教育培训领域，具体而言，涉及一种护理教育培训的成果验收方法及系统。
背景技术
在教育培训中，尤其是技能性培训，例如护理教育培训，需要对学员的培训成果进行验收，以评估学员的学习成果是否满足预期的培训要求，进而判断是否满足上岗条件或达到不同岗位的胜任力要求。此类培训不同于传统的教育考试，仅通过单一的理论卷面考试进行评判，例如对于护理教育培训，受训学员基于不同岗位胜任力需求，参与不同类别的培训项目并完成相应考核等等，涉及到多个环节、多个维度的评价，综合下来才能评判培训成果是否符合预期，而目前的护理培训成果验收，往往仅对最终考核成绩，如技能和理论知识进行验收，过于刻板和机械，对于培训过程中的学员学习积累产生忽略，无法实现对学员岗位胜任力的全面评价。另外，大多考核完成后，未形成数据的汇总分析，效率较低且难以发现共性问题，从而实现数据对培训的决策支撑。综上，现有的培训验收方式不够严谨，导致受训学员的学习成果良莠不齐，影响上岗后不同能力阶段的评价，因此，需要一种能高效、严谨且相对公正地验收方式。
发明内容
本发明的目的在于提供一种护理教育培训的成果验收方法及系统，以改善上述的问题。
为了达到上述目的，本发明实施例是这样实现的：
第一方面，本发明实施例提供了一种护理教育培训的成果验收方法，所述方法包括：
接收成果验收指令；
通过所述成果验收指令，获取待验收学员培训数据；
基于预先生成的学习质量评估模型对所述待验收学员培训数据进行学习质量评估要素抽取，得到多个评价维度的培训成绩评价向量和每一评价维度的考核要素占比信息；
通过所述多个评价维度的培训成绩评价向量和每一评价维度的考核要素占比信息，得到所述待验收学员培训数据的培训成果验收成绩。
本申请实施例中，获取到待验收学员培训数据后，可以通过预生成的学习质量评估模型对验收学员培训数据进行学习质量评估要素抽取，然后通过得到的多个评价维度的培训成绩评价向量以及对应每个评价维度的考核要素占比信息确定针对待验收学员培训数据的培训成果验收成绩。本申请实施例基于考核要素占比信息评估不同评价维度的培训成绩评价向量的重要性，对于重要性低的培训成绩评价向量可以匹配相对小的考核要素占比，对于重要性高的培训成绩评价向量可以匹配相对更大的考核要素占比，基于考核要素占比综合衡量的培训成绩评价向量可以更客观且严谨地衡量培训成果，不会单纯将最终的考核成绩作为培训的成果成绩，基于此，得到的培训成果验收成绩更具备参考性和可信度。
进一步地，所述通过所述多个评价维度的培训成绩评价向量和每一评价维度的考核要素占比信息，得到所述待验收学员培训数据的培训成果验收成绩，包括：
通过所述多个评价维度的培训成绩评价向量进行向量裁剪，得到评价维度数量少于裁剪之前评价维度数量的向量裁剪后的培训成绩评价向量；
通过所述向量裁剪后的培训成绩评价向量进行向量延伸，得到评价维度数量等于裁剪之前评价维度数量的向量延伸后的培训成绩评价向量；
通过所述向量延伸后的培训成绩评价向量和每一评价维度的考核要素占比信息，确定所述待验收学员培训数据的培训成果验收成绩。
本申请实施例中，通过向量裁剪可以过滤多个评价维度中多余的培训成绩评价向量，然后通过向量延展进行之后的加权求和，增加了结果的准确性。
进一步地，所述学习质量评估模型包括用于进行培训结果评估验收的评估模块；
所述通过所述多个评价维度的培训成绩评价向量和每一评价维度的考核要素占比信息，得到所述待验收学员培训数据的培训成果验收成绩，包括：
通过所述多个评价维度的培训成绩评价向量和每一评价维度的考核要素占比信息按照比例进行加权后进行和运算，得到求和之后的培训成绩评价向量；
将所述求和之后的培训成绩评价向量输入所述学习质量评估模型的所述评估模块，获得所述评估模块输出的所述培训成果验收成绩。
进一步地，所述学习质量评估模型依据以下步骤训练得到：
获取培训过程训练数据和所述培训过程训练数据的成果验收通过信息，其中，所述成果验收通过信息用于指示对应培训过程训练数据中的培训数据是否是包括异常培训行为的通过性培训数据；
将所述培训过程训练数据输入准备训练的学习质量评估模型，并依据所述培训过程训练数据的成果验收通过信息对所述准备训练的学习质量评估模型的输出结果进行监督；
对所述准备训练的学习质量评估模型进行多轮训练，得到所述预先生成的学习质量评估模型。
本申请实施例通过按照比例进行加权后进行和运算后的培训成绩评价样本向量进行训练，加权求和后的培训成绩评价样本向量可以更精准的指示成绩，从而培训成果验收成绩更准确，提高了训练的精确性。
进一步地，所述学习质量评估模型包括学习质量评估要素抽取模块、考核要素模块、和评估模块；
所述将所述培训过程训练数据输入准备训练的学习质量评估模型，并依据所述培训过程训练数据的成果验收通过信息对所述准备训练的学习质量评估模型的输出结果进行监督；对所述准备训练的学习质量评估模型进行多轮训练，包括：
将所述培训过程训练数据输入至所述学习质量评估模型的学习质量评估要素抽取模块，得到所述学习质量评估要素抽取模块输出的多个评价维度的培训成绩评价样本向量；
将所述学习质量评估要素抽取模块输出的多个评价维度的培训成绩评价样本向量输入至所述学习质量评估模型的考核要素模块，得到所述考核要素模块输出的每一评价维度的考核要素占比信息；
通过所述多个评价维度的培训成绩评价样本向量和每一评价维度的考核要素占比信息按照比例进行加权后进行和运算，得到求和之后的培训成绩评价样本向量；
将所述求和之后的培训成绩评价样本向量输入至所述学习质量评估模型的评估模块，确定所述评估模块的培训成果验收成绩；
通过所述培训成果验收成绩和所述培训过程训练数据的成果验收通过信息对所述准备训练的学习质量评估模型进行多轮训练。
进一步地，所述学习质量评估模型包括输出不同学习质量评估要素难度的多个学习质量评估要素抽取模块和评估模块；
所述将所述培训过程训练数据输入准备训练的学习质量评估模型，并依据所述培训过程训练数据的成果验收通过信息对所述准备训练的学习质量评估模型的输出结果进行监督；对所述准备训练的学习质量评估模型进行多轮训练，包括：
将所述培训过程训练数据输入至所述学习质量评估模型包括的多个学习质量评估要素抽取模块，得到每个所述学习质量评估要素抽取模块输出的培训成绩评价样本向量；
从所述多个学习质量评估要素抽取模块中确定输出的学习质量评估要素难度满足预设难度的学习质量评估要素抽取模块；
将所述学习质量评估要素抽取模块输出的培训成绩评价样本向量输入至所述学习质量评估模型的评估模块，得到所述评估模块的培训成果验收成绩；
通过所述培训成果验收成绩和所述培训过程训练数据的成果验收通过信息对所述准备训练的学习质量评估模型进行多轮训练。
进一步地，所述通过所述培训成果验收成绩和所述培训过程训练数据的成果验收通过信息对所述准备训练的学习质量评估模型进行多轮训练，包括：
确定所述培训成果验收成绩和所述培训过程训练数据的成果验收通过信息的接近程度，获取所述准备训练的学习质量评估模型的损失函数；
基于所述损失函数对所述准备训练的学习质量评估模型进行多轮训练，其中，若目前轮次的训练未达到训练停止条件时，基于所述损失函数对所述准备训练的学习质量评估模型的学习质量评估要素抽取模块、考核要素模块、和评估模块中的一个或多个的参数进行调节，并通过调节后的学习质量评估模型进行后一轮训练直到满足训练停止条件。
进一步地，获取所述培训过程训练数据的成果验收通过信息，包括：
对获取的培训过程训练数据进行异常培训行为识别，确定所述培训过程训练数据中的培训过程属于何种培训种类，具体的，通过预先生成的异常培训要素抽取网络对获取的培训过程训练数据进行异常培训行为识别，确定从所述培训过程训练数据中抽取的各种类型的培训过程数据，通过各类型的培训过程数据确定所述培训过程训练数据中的培训过程属于何种培训种类；
通过所述培训过程训练数据中的培训过程所属的培训种类，确定所述培训过程训练数据的成果验收通过信息。
进一步地，所述待验收学员培训数据中不同类型的培训过程数据对应不同评价维度的培训成绩评价向量，培训成绩评价向量表征的培训成绩评价向量与对应类型的培训过程数据所对应考核要素占比信息表征的考核要素占比值正相关；
不同评价维度的培训成绩评价向量至少包括培训评价信息向量、培训考核分值向量、培训异常描述向量，其中，所述培训异常描述向量对应的考核要素占比信息表征的考核要素占比值与所述培训考核分值向量对应的考核要素占比信息表征的考核要素占比值呈负相关。
第二方面，本申请实施例还提供一种护理教育培训的成果验收系统，所述系统包括互相之间通信的处理器和存储器，所述存储器存储有程序，所述处理器用于从所述存储器中调取计算机程序，并通过运行所述计算机程序实现本申请实施例第一方面提供的方法。
在后面的描述中，将部分地陈述其他的特征。在检查后面内容和附图时，本领域的技术人员将部分地发现这些特征，或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面，当前申请中的特征可以被实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例，其中参考数字在附图的各个视图中代表相似的机构。
图1是本发明实施例提供的一种护理教育培训的成果验收系统的硬件和软件组成的示意图。
图2是本发明实施例提供的护理教育培训的成果验收方法的流程图。
图3是本发明实施例提供的护理教育培训的成果验收装置的功能模块架构示意图。
具体实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
在下面的详细描述中，通过实例阐述了许多具体细节，以便提供对相关指导的全面了解。然而，对于本领域的技术人员来说，显然可以在没有这些细节的情况下实施本申请。在其他情况下，公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述，没有细节，以避免不必要的模糊本申请的方面。
这些和其他特性、当前申请披露的功能、执行的方法、结构中相关元素的功能和部件的组合和生产经济性,在参照附图进行以下描述的考虑中可能会变得更加明显,所有这些形成本申请的一部分。然而，需要理解清楚的是，附图仅仅是为了说明和描述的目的，并不旨在限制本申请的范围。应当了解的是，这些图纸不是按比例绘制的。然而，应当明确理解的是，附图仅用于说明和描述的目的，并不意图限制本申请的范围。应当知晓的是，这些附图并不依照比例。
本申请中使用流程图说明根据本申请的实施例的系统所执行的执行过程。应当明确理解的是，流程图的执行过程可以不按顺序执行。相反，这些执行过程可以以相反的顺序或同时执行。另外，可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。
本发明实施例提供一种护理教育培训的成果验收系统，如图1所示，该系统100包括护理教育培训的成果验收装置110、存储器120和处理器130。存储器120、处理器130相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。护理教育培训的成果验收装置110包括至少一个可以软件或固件（firmware）的形式存储于存储器120中或固化在系统100的操作系统（operating system，OS）中的软件功能模块。处理器130用于执行存储器120中存储的可执行模块，例如护理教育培训的成果验收装置110所包括的软件功能模块及计算机程序等。
其中，存储器120可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-OnlyMemory，PROM），可擦除只读存储器（Erasable Programmable Read-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-Only Memory，EEPROM）等。其中，存储器120用于存储程序，处理器130在接收到执行指令后，执行所述程序。
处理器可能是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器（DSP)）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
可以理解，图1所示的结构仅为示意，系统100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
在护士毕业后教育，即护士规范化培训中，需要进行较多环节较多方面的培训和考核，例如护士科室轮转次数、科室轮转时长、培训时长、考勤异常情况、带教签字审核异常情况、惩处情况、技能考核成绩、理论考核成绩、出科考核成绩等等，不仅涉及一般性的笔试理论考试，还涉及技能考核的实操，并且有严格的流程规范要求和培训时长要求，并且对于不同阶段的培训，例如针对在职护士、规培护士、实习护士、进修护士采取的管理方式、管理内容以及考核内容、考核要求、考核侧重点均有不同，但是在现有的培训通过性考核中，往往只通过结业阶段的理论考核，或结合技能考核进行一刀切地评价方式，来评判护理教育培训的培训成果是否满足要求，这对技能要求严格的护士岗位是不够严谨的，并且考核验收的方式大多是人为评价，不能保证绝对的严谨性和公平性，效率也较低。
有鉴于此，本申请实施例提供了一种护理教育培训的成果验收方法，可以达到更严谨准确和简单高效的成果验收。
图2是根据本申请的一些实施例所示的一种护理教育培训的成果验收方法的流程图，该方法应用于图1中的系统100，具体可以包括以下步骤S1-步骤S4。在以下步骤S1-步骤S4的基础上，将对一些可选实施例进行说明，这些实施例应当理解为示例，不应理解为实现本方案所必不可少的技术特征。
步骤S1，接收成果验收指令；
步骤S2，通过所述成果验收指令，获取待验收学员培训数据；
步骤S3，基于预先生成的学习质量评估模型对待验收学员培训数据进行学习质量评估要素抽取，得到多个评价维度的培训成绩评价向量和对应每一评价维度的考核要素占比信息；
步骤S4，通过多个评价维度的培训成绩评价向量合对应每一评价维度的考核要素占比信息，得到待验收学员培训数据的培训成果验收成绩。
本申请实施例中，在基于学习质量评估模型抽取多个评价维度的培训成绩评价向量的过程中，还可以确定每个评价维度的考核要素占比信息。评价维度的考核要素占比信息可以代表对应的培训成绩评价向量的重要性，可以对重要性相对高的培训成绩评价向量赋予较大的考核要素占比，而对重要性相对较低的培训成绩评价向量赋予较小的考核要素占比，相对于现有技术中仅看重单一成绩，如理论考试成绩，或简单地进行分科做和的方式，本申请实施例中，可以对考核关注的多个层面的培训数据进行关注，例如理论成绩、重点培训成绩、实操评价信息、带教人员资历、培训时长等，而抑制相对不重要的培训数据，如出勤数据、非重要培训成绩、轮转科室顺序等，从而使得培训成果的通过指标被更为准确地指示，利于验收。本申请中，培训成绩评价向量是根据培训过程中学员产生的培训数据进行向量化得到的数据，例如理论考试中学员各题目的成绩、技能考试中带教老师的评价等，考核要素占比表示大量考核中每一考核要素的重要性，可以通过赋予不同的权重来表达，考核要素可以是对考核门类的解释性描述，例如理论考试的考核要素为理论掌握，技能考试的考核要素为实操能力，轮转科室与时长的考核要素为基础流程熟知，出勤惩处等的考核要素为培训态度等等。这些考核要素可以对应不同的评价维度，并被赋予了不同的权重占比，容易理解的，在不同的培训阶段，对于上述的评价维度的考核要素占比可以不同。
在培训过程中，有时候会产生异常的培训行为，例如轮转科室时长不足半年、带教人员资历失格、异常签核审批等，本申请实施例中，不同评价维度的培训成绩评价向量可以包括培训异常描述向量和培训考核分值向量，在培训考核分值较为突出时，可以调高培训异常描述向量的考核要素占比值，减小培训考核分值向量的考核要素占比值，另外，在培训异常描述较为突出时，可以调高培训考核分值向量的考核要素占比值，减小培训异常描述向量的考核要素占比值。另外，如果培训异常描述和培训考核分值的突出程度差别不大，可以将考核要素占比值进行平均，以对多评价维度的进行合理平均。
本申请实施例提供的方法，在引入考核要素占比进行侧重评价的过程中，可以先进行向量数据的裁剪和延展，这样能增加向量数据的稳定性，例如，可以通过以下步骤S41-S43进行：
步骤S41，通过多个评价维度的培训成绩评价向量进行向量裁剪，得到评价维度数量少于裁剪之前评价维度数量的向量裁剪后的培训成绩评价向量；
步骤S42，通过向量裁剪后的培训成绩评价向量进行向量延伸，得到评价维度数量等于裁剪之前评价维度数量的向量延伸后的培训成绩评价向量；
步骤S43，通过向量延伸后的培训成绩评价向量和每一评价维度的考核要素占比信息，确定待验收学员培训数据的培训成果验收成绩。
在本申请实施中，向量裁剪可以理解为向量压缩，例如通过常见的压缩函数，如Squeeze函数操作实现，向量延伸可以理解为向量扩展，例如通过常见激发函数进行，通过向量裁剪、向量延伸和考核要素占比赋值，实现向量重要性的抽取。向量裁剪可以是沿评价维度方向进行压缩，比如说，可以基于一个卷积层将多个评价维度的培训成绩评价向量A×W×1×1的尺度转换为A×W1×1×1的向量，即对应向量裁剪后的培训成绩评价向量，A为待验收学员培训数据的数量，W和W1分别对应向量裁剪前后的评价维度数量，其中，W1＜W，这个过程即完成评价维度裁剪。至于向量延伸，作为一种实施方式，可以通过卷积层将A×W1×1×1的尺度转换为对应向量延伸后的培训成绩评价向量A×W×1×1的尺度，A为待验收学员培训数据的数量，W1和W分别对应向量延伸前后的评价维度数，其中，W1＜W，这个过程即完成评价维度的延伸。然后，对向量进行占比赋值，将输出的W个考核要素占比值各乘至各个评价维度，以完成向量重要性的抽取。
在本申请实施例中，在进行向量裁剪之前，还可以通过池化模块，或层，把多个评价维度的培训成绩评价向量的尺度进行变换，采用下采样消除冗余数据，降低复杂程度，节约计算功耗。在本申请实施例中，向量抽取的过程可以通过学习质量评估模型的主干网络实现，在该主干网络中设置有semodule对学习质量评估模型进行向量抽取。
在本申请实施例中，学习质量评估模型可以包括评估模块，或者称为评估层，主干网络被配置为抽取向量，主干网络至后一层可以接到评估模块上，用来进行培训成果验收。作为一种实施方式，可以把延伸后的培训成绩评价向量和每一评价维度的考核要素占比信息按照比例进行加权后进行和运算，得到求和之后的培训成绩评价向量，将其输入学习质量评估模型的评估模块，评估模块输出培训成果验收成绩。此处评估模块可以是确定输入的待验收学员培训数据中的培训过程数据是否能通过培训验收，相对的输出可以是代表两个可能性的趋向值，例如通过、不通过，将趋向值高的可能性代表的结果确定为培训成果验收成绩。
下面介绍训练学习质量评估模型的过程，其可以包括步骤S1a~S1c：
步骤S1a，获取培训过程训练数据和培训过程训练数据的成果验收通过信息，其中，成果验收通过信息用于指示对应培训过程训练数据中是否是包括异常培训行为的通过性培训数据；
步骤S1b，将培训过程训练数据输入准备训练的学习质量评估模型，并依据培训过程训练数据的成果验收通过信息对准备训练的学习质量评估模型的输出结果进行监督；
步骤S1c，对准备训练的学习质量评估模型进行多轮训练，得到预先生成的学习质量评估模型。
这里的成果验收通过信息可以是事先标记的，换言之，可以预先标记培训过程训练数据中的数据是否为通过性或非通过性数据。由于本申请实施例中，结合异常培训行为对培训数据进行通过性验收，因此对传统成绩验收进行更改，并非简单地判定分数值达标、签核成功、培训时长满足条件就认定是通过性培训数据，需要结合异常行为判定，即除了考核分数、签核状态、培训时长外，其他诸如科室轮转、带教人员资历等以外的数据也作为评价标准，保证培训成果验收的严谨和全面性。
在本申请实施例中，可以对获取的培训过程训练数据进行异常培训行为识别，确定培训过程训练数据中的培训过程属于何种培训种类，进而通过培训种类确定成果验收通过信息。培训种类可以是正常或非正常。本申请实施例可以通过预先生成的异常培训要素抽取网络对获取的培训过程训练数据进行异常培训行为识别，确定从培训过程训练数据中抽取的各种类型的培训过程数据，再通过抽取的各种类型的培训过程数据确定培训过程属于何种培训种类。其中，有关各种类型的培训过程数据可以是从各种异常种类代表的对应培训种类数据，比如轮转次数对应的异常种类，少于4次轮转，被认定为轮转异常培训。在确定培训种类为异常时，即便培训过程数据中包含的结业考核是符合验收条件的，也会判定待验收学员培训数据对应的验收结果为不通过，如果确定培训种类为正常时，可进一步结合结业成绩进行通过验收。
作为一种实施方式，本申请实施例提供的护理教育培训的成果验收方法中，学习质量评估模型可以包括被配置为进行学习质量评估要素抽取的学习质量评估要素抽取模块、实现考核要素占比分配的考核要素模块和实现成果验收处理的评估模块。其中，可以设置多层学习质量评估要素抽取模块进行评估要素的抽取，以满足更深层次的评估要素挖掘。另外，可直接通过至后一层学习质量评估要素抽取模块抽取的评估要素进行培训成果验收，此外，也可结合多层学习质量评估要素抽取模块抽取的评估要素进行培训成果验收。模型的训练过程可以包括如下步骤S1d~S1h：
步骤S1d，将培训过程训练数据输入至学习质量评估模型的学习质量评估要素抽取模块，得到学习质量评估要素抽取模块输出的多个评价维度的培训成绩评价样本向量；
步骤S1e，将学习质量评估要素抽取模块输出的多个评价维度的培训成绩评价样本向量输入至学习质量评估模型的考核要素模块，得到考核要素模块输出的每一评价维度的考核要素占比信息；
步骤S1f，通过多个评价维度的培训成绩评价样本向量和每一评价维度的考核要素占比信息按照比例进行加权后进行和运算，得到求和之后的培训成绩评价样本向量；
步骤S1g，将求和之后的培训成绩评价样本向量输入至学习质量评估模型的评估模块，确定评估模块的培训成果验收成绩；
步骤S1h，通过培训成果验收成绩和培训过程训练数据的成果验收通过信息对准备训练的学习质量评估模型进行多轮训练。
本申请实施例中，学习质量评估要素抽取模块可以对培训过程训练数据进行学习质量评估要素抽取，以输出多个评价维度的培训成绩评价样本向量，进而可以基于考核要素模块对每个评价维度的考核要素占比信息进行确定。通过多个评价维度的培训成绩评价样本向量和每一评价维度的考核要素占比信息加权求和，可以将求和结果输入评估模块进行学习质量评估模型的多轮训练。
在本申请的实施例中，在加权求和后的培训成绩评价样本向量输入至评估模块时，可以通过评估模块输出的培训成果验收成绩和培训过程训练数据的成果验收通过信息之间的接近程度，确定准备训练的学习质量评估模型的损失函数，然后通过损失函数对准备训练的学习质量评估模型进行多轮训练。
当完成第一次网络训练后，可以确定该轮训练是否达到训练停止条件，如果不满足，可以基于第一轮训练得到的损失函数，进行反向传播，对学习质量评估模型进行调节，将培训过程训练数据输入至调节完成的学习质量评估模型中，以开启第二轮的训练，容易理解，当完成第二轮训练后，判断第二轮训练是否达到预设的训练停止条件，在未达到时进行往后的多轮训练直到达到训练停止条件为止，从而得到该预先生成的学习质量评估模型。
以上所述训练停止条件，可以是达到了预设的训练次数、损失函数的值满足预设要求、遍历了全部培训过程训练数据等等，此处不作限制。在学习质量评估模型进行调节时，可以是针对学习质量评估要素抽取模块、考核要素模块和评估模块中的一个或多个网络的参数进行调节，从而达到以上几个网络层的同时训练。
本申请实施例的另一种实施方式中，对模型的训练可以参照如下步骤S1i~S1l：
步骤S1i，将培训过程训练数据输入至学习质量评估模型的多个学习质量评估要素抽取模块，得到每个学习质量评估要素抽取模块输出的培训成绩评价样本向量；
步骤S1j，从多个学习质量评估要素抽取模块中确定输出的学习质量评估要素难度满足预设难度的学习质量评估要素抽取模块；
步骤S1k，将学习质量评估要素抽取模块输出的培训成绩评价样本向量输入至学习质量评估模型的评估模块，得到评估模块的培训成果验收成绩；
步骤S1l，通过培训成果验收成绩和培训过程训练数据的成果验收通过信息对准备训练的学习质量评估模型进行多轮训练。
该实施方式中，学习质量评估要素抽取模块的数量为多个，不同的学习质量评估要素抽取模块输出不同学习质量评估要素难度的培训成绩评价样本向量。不同学习质量评估要素难度的培训成绩评价样本向量所表征的培训成绩评价的难度不同。在培训考核中，往往有进行多次考核，取难度较大的考核结果作为最终结果，或多种不同难度的考核同时进行，仅考虑难度较大的考核类型的情形，然而，考核难度低的考核，也能反应出培训的成果，因此，本申请实施例中将考核难度低的评估要素也输入到评估模块中进行培训结果的验收，进一步增加验收的严谨性。
在本实施例中，不仅包括主干网络的最后一层学习质量评估要素抽取模块输出的培训成绩评价向量，还接入更多层的数据信息，把这些模块的信息进行结合，得到的结果作为评估模块的输入，严谨性和准确性得到更好的提高。
另外，待验收学员培训数据中不同类型的培训过程数据对应不同评价维度的培训成绩评价向量，培训成绩评价向量表征的培训成绩评价向量与对应类型的培训过程数据所对应考核要素占比信息表征的考核要素占比值正相关，例如成正比；不同评价维度的培训成绩评价向量至少包括培训评价信息向量、培训考核分值向量、培训异常描述向量，其中，培训异常描述向量对应的考核要素占比信息表征的考核要素占比值与培训考核分值向量对应的考核要素占比信息表征的考核要素占比值呈负相关，例如成反比。
请参照图3，是本发明实施例提供的护理教育培训的成果验收装置110的架构示意图，该护理教育培训的成果验收装置110可用于执行护理教育培训的成果验收方法，其中，护理教育培训的成果验收装置110包括：
接收模块111，用于接收成果验收指令。
获取模块112，用于通过成果验收指令，获取待验收学员培训数据。
抽取模块113，用于基于预先生成的学习质量评估模型对待验收学员培训数据进行学习质量评估要素抽取，得到多个评价维度的培训成绩评价向量和每一评价维度的考核要素占比信息。
验收模块114，用于通过多个评价维度的培训成绩评价向量和每一评价维度的考核要素占比信息，得到待验收学员培训数据的培训成果验收成绩。
其中，接收模块111可用于执行步骤S1、获取模块112可用于执行步骤S2，抽取模块113可用于执行步骤S3，验收模块114可用于执行步骤S4。
由于在上述实施例中，已经对本发明实施例提供的护理教育培训的成果验收方法进行了详细的介绍，而该护理教育培训的成果验收装置110的原理与该方法基于统一发明构思，此处不再对护理教育培训的成果验收装置110的各模块的执行原理进行赘述。
综上所述，本发明实施例提供了一种护理教育培训的成果验收方法及系统，通过获取到待验收学员培训数据后，可以通过预生成的学习质量评估模型对验收学员培训数据进行学习质量评估要素抽取，然后通过得到的多个评价维度的培训成绩评价向量以及对应每个评价维度的考核要素占比信息确定针对待验收学员培训数据的培训成果验收成绩。本申请实施例基于考核要素占比信息评估不同评价维度的培训成绩评价向量的重要性，对于重要性低的培训成绩评价向量可以匹配相对小的考核要素占比，对于重要性高的培训成绩评价向量可以匹配相对更大的考核要素占比，基于考核要素占比综合衡量的培训成绩评价向量可以更客观且严谨地衡量培训成果，不会单纯将最终的考核成绩作为培训的成果成绩，基于此，得到的培训成果验收成绩更具备参考性和可信度。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、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，流程图或框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，所述模块、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方式中，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，两个连续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，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动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。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能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，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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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，系统，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步骤。而前述的存储介质包括：U盘、移动硬盘、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。
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。
需要理解的是，针对上述内容没有进行名词解释的技术术语，本领域技术人员可以根据上述所公开的内容进行前后推导毫无疑义地确定其所指代的含义，本领域技术人员可以根据前后的逻辑关系进行推导和确定，在此均不作限定。
本领域技术人员可以根据上述已公开的内容毫无疑义对一些预设的、预定的、设定的以及目标的技术特征/技术术语进行确定。对于一些未作解释的技术特征术语，本领域技术人员完全能够基于前后文的逻辑关系进行合理地、毫无疑义地推导，从而清楚、完整地实施上述技术方案。
本申请实施例公开的上述内容对于本领域技术人员而言是清楚完整的。应当理解，本领域技术人员基于上述公开的内容对未作解释的技术术语进行推导和分析的过程是基于本申请所记载的内容进行的，因此上述内容并不是对整体方案的创造性的评判。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可以对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定术语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同部分两次或多次提到的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的至少一个实施例中的某些特征、结构或特点可以进行适当的组合。
另外，本领域普通技术人员可以理解的是，本申请的各个方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可以被称为“单元”、“组件”或“系统”。此外，本申请的各方面可以表现为位于至少一个计算机可读介质中的计算机产品，所述产品包括计算机可读程序编码。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤缆线、RF、或类似介质、或任何上述介质的组合。
本申请各方面执行所需的计算机程序码可以用一种或多种程序语言的任意组合编写，包括面向对象程序设计，如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET，Python等，或类似的常规程序编程语言，如"C"编程语言，Visual Basic，Fortran2003，Perl，COBOL 2002，PHP，ABAP，动态编程语言如Python，Ruby和Groovy或其它编程语言。所述程式设计编码可以完全在用户计算机上执行、或作为独立的软体包在用户计算机上执行、或部分在用户计算机上执行部分在远程计算机执行、或完全在远程计算机或系统上执行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网络(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非申请专利范围中明确说明，本申请所述处理元件和序列的顺序、数位字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的申请专利范围并不仅限于披露的实施例，相反，申请专利范围旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件装置实现，但是也可以只通过软件的解决方案得以实现，如在现有的系统或行动装置上安装所描述的系统。
同样应当理解的是，为了简化本申请揭示的表述，从而帮助对至少一个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
Claims (10)
1.一种护理教育培训的成果验收方法，其特征在于，所述方法包括：
接收成果验收指令；
通过所述成果验收指令，获取待验收学员培训数据；
基于预先生成的学习质量评估模型对所述待验收学员培训数据进行学习质量评估要素抽取，得到多个评价维度的培训成绩评价向量和每一评价维度的考核要素占比信息；
通过所述多个评价维度的培训成绩评价向量和每一评价维度的考核要素占比信息，得到所述待验收学员培训数据的培训成果验收成绩。
2.根据权利要求1所述的方法，其特征在于，所述通过所述多个评价维度的培训成绩评价向量和每一评价维度的考核要素占比信息，得到所述待验收学员培训数据的培训成果验收成绩，包括：
通过所述多个评价维度的培训成绩评价向量进行向量裁剪，得到评价维度数量少于裁剪之前评价维度数量的向量裁剪后的培训成绩评价向量；
通过所述向量裁剪后的培训成绩评价向量进行向量延伸，得到评价维度数量等于裁剪之前评价维度数量的向量延伸后的培训成绩评价向量；
通过所述向量延伸后的培训成绩评价向量和每一评价维度的考核要素占比信息，确定所述待验收学员培训数据的培训成果验收成绩。
3.根据权利要求2所述的方法，其特征在于，所述学习质量评估模型包括用于进行培训结果评估验收的评估模块；
所述通过所述多个评价维度的培训成绩评价向量和每一评价维度的考核要素占比信息，得到所述待验收学员培训数据的培训成果验收成绩，包括：
通过所述多个评价维度的培训成绩评价向量和每一评价维度的考核要素占比信息按照比例进行加权后进行和运算，得到求和之后的培训成绩评价向量；
将所述求和之后的培训成绩评价向量输入所述学习质量评估模型的所述评估模块，获得所述评估模块输出的所述培训成果验收成绩。
4.根据权利要求3所述的方法，其特征在于，所述学习质量评估模型依据以下步骤训练得到：
获取培训过程训练数据和所述培训过程训练数据的成果验收通过信息，其中，所述成果验收通过信息用于指示对应培训过程训练数据中的培训数据是否是包括异常培训行为的通过性培训数据；
将所述培训过程训练数据输入准备训练的学习质量评估模型，并依据所述培训过程训练数据的成果验收通过信息对所述准备训练的学习质量评估模型的输出结果进行监督；
对所述准备训练的学习质量评估模型进行多轮训练，得到所述预先生成的学习质量评估模型。
5.根据权利要求4所述的方法，其特征在于，所述学习质量评估模型包括学习质量评估要素抽取模块、考核要素模块、和评估模块；
所述将所述培训过程训练数据输入准备训练的学习质量评估模型，并依据所述培训过程训练数据的成果验收通过信息对所述准备训练的学习质量评估模型的输出结果进行监督；对所述准备训练的学习质量评估模型进行多轮训练，包括：
将所述培训过程训练数据输入至所述学习质量评估模型的学习质量评估要素抽取模块，得到所述学习质量评估要素抽取模块输出的多个评价维度的培训成绩评价样本向量；
将所述学习质量评估要素抽取模块输出的多个评价维度的培训成绩评价样本向量输入至所述学习质量评估模型的考核要素模块，得到所述考核要素模块输出的每一评价维度的考核要素占比信息；
通过所述多个评价维度的培训成绩评价样本向量和每一评价维度的考核要素占比信息按照比例进行加权后进行和运算，得到求和之后的培训成绩评价样本向量；
将所述求和之后的培训成绩评价样本向量输入至所述学习质量评估模型的评估模块，确定所述评估模块的培训成果验收成绩；
通过所述培训成果验收成绩和所述培训过程训练数据的成果验收通过信息对所述准备训练的学习质量评估模型进行多轮训练。
6.根据权利要求4所述的方法，其特征在于，所述学习质量评估模型包括输出不同学习质量评估要素难度的多个学习质量评估要素抽取模块和评估模块；
所述将所述培训过程训练数据输入准备训练的学习质量评估模型，并依据所述培训过程训练数据的成果验收通过信息对所述准备训练的学习质量评估模型的输出结果进行监督；对所述准备训练的学习质量评估模型进行多轮训练，包括：
将所述培训过程训练数据输入至所述学习质量评估模型包括的多个学习质量评估要素抽取模块，得到每个所述学习质量评估要素抽取模块输出的培训成绩评价样本向量；
从所述多个学习质量评估要素抽取模块中确定输出的学习质量评估要素难度满足预设难度的学习质量评估要素抽取模块；
将所述学习质量评估要素抽取模块输出的培训成绩评价样本向量输入至所述学习质量评估模型的评估模块，得到所述评估模块的培训成果验收成绩；
通过所述培训成果验收成绩和所述培训过程训练数据的成果验收通过信息对所述准备训练的学习质量评估模型进行多轮训练。
7.根据权利要求6所述的方法，其特征在于，所述通过所述培训成果验收成绩和所述培训过程训练数据的成果验收通过信息对所述准备训练的学习质量评估模型进行多轮训练，包括：
确定所述培训成果验收成绩和所述培训过程训练数据的成果验收通过信息的接近程度，获取所述准备训练的学习质量评估模型的损失函数；
基于所述损失函数对所述准备训练的学习质量评估模型进行多轮训练，其中，若目前轮次的训练未达到训练停止条件时，基于所述损失函数对所述准备训练的学习质量评估模型的学习质量评估要素抽取模块、考核要素模块、和评估模块中的一个或多个的参数进行调节，并通过调节后的学习质量评估模型进行后一轮训练直到满足训练停止条件。
8.根据权利要求7所述的方法，其特征在于，获取所述培训过程训练数据的成果验收通过信息，包括：
对获取的培训过程训练数据进行异常培训行为识别，确定所述培训过程训练数据中的培训过程属于何种培训种类，具体的，通过预先生成的异常培训要素抽取网络对获取的培训过程训练数据进行异常培训行为识别，确定从所述培训过程训练数据中抽取的各种类型的培训过程数据，通过各类型的培训过程数据确定所述培训过程训练数据中的培训过程属于何种培训种类；
通过所述培训过程训练数据中的培训过程所属的培训种类，确定所述培训过程训练数据的成果验收通过信息。
9.根据权利要求1至8任一项所述的方法，其特征在于，所述待验收学员培训数据中不同类型的培训过程数据对应不同评价维度的培训成绩评价向量，培训成绩评价向量表征的培训成绩评价向量与对应类型的培训过程数据所对应考核要素占比信息表征的考核要素占比值正相关；
不同评价维度的培训成绩评价向量至少包括培训评价信息向量、培训考核分值向量、培训异常描述向量，其中，所述培训异常描述向量对应的考核要素占比信息表征的考核要素占比值与所述培训考核分值向量对应的考核要素占比信息表征的考核要素占比值呈负相关。
10.一种护理教育培训的成果验收系统，其特征在于，所述系统包括互相之间通信的处理器和存储器，所述存储器存储有程序，所述处理器用于从所述存储器中调取计算机程序，并通过运行所述计算机程序实现权利要求1-9任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211497985.4A CN115545570B (zh) | 2022-11-28 | 2022-11-28 | 一种护理教育培训的成果验收方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211497985.4A CN115545570B (zh) | 2022-11-28 | 2022-11-28 | 一种护理教育培训的成果验收方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115545570A true CN115545570A (zh) | 2022-12-30 |
| CN115545570B CN115545570B (zh) | 2023-03-24 |
Family
ID=84722451
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211497985.4A Active CN115545570B (zh) | 2022-11-28 | 2022-11-28 | 一种护理教育培训的成果验收方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115545570B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180365576A1 (en) * | 2017-07-31 | 2018-12-20 | Seematics Systems Ltd | System and method for personalized quality assurance of inference models |
| CN110191113A (zh) * | 2019-05-24 | 2019-08-30 | 新华三信息安全技术有限公司 | 一种用户行为风险评估方法及装置 |
| CN110263939A (zh) * | 2019-06-24 | 2019-09-20 | 腾讯科技（深圳）有限公司 | 一种表示学习模型的评估方法、装置、设备及介质 |
| CN110837523A (zh) * | 2019-10-29 | 2020-02-25 | 山东大学 | 一种基于级联神经网络的高置信改造质量和减假暂量化评估方法 |
| CN111324641A (zh) * | 2020-02-19 | 2020-06-23 | 腾讯科技（深圳）有限公司 | 人员估计方法、装置及计算机可读存储介质和终端设备 |
| 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 |
| US20220036890A1 (en) * | 2019-10-30 | 2022-02-03 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for training semantic understanding model, electronic device, and storage medium |
| CN114240250A (zh) * | 2022-01-04 | 2022-03-25 | 国家电网有限公司客户服务中心 | 一种职业评测的智能管理方法及系统 |
| CN114925951A (zh) * | 2022-03-16 | 2022-08-19 | 云南电网有限责任公司输电分公司 | 基于结构方程模型的带电作业实操培训学员综合评价方法 |
-
2022
- 2022-11-28 CN CN202211497985.4A patent/CN115545570B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180365576A1 (en) * | 2017-07-31 | 2018-12-20 | Seematics Systems Ltd | System and method for personalized quality assurance of inference models |
| CN110191113A (zh) * | 2019-05-24 | 2019-08-30 | 新华三信息安全技术有限公司 | 一种用户行为风险评估方法及装置 |
| CN110263939A (zh) * | 2019-06-24 | 2019-09-20 | 腾讯科技（深圳）有限公司 | 一种表示学习模型的评估方法、装置、设备及介质 |
| CN110837523A (zh) * | 2019-10-29 | 2020-02-25 | 山东大学 | 一种基于级联神经网络的高置信改造质量和减假暂量化评估方法 |
| US20220036890A1 (en) * | 2019-10-30 | 2022-02-03 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for training semantic understanding model, electronic device, and storage medium |
| CN111324641A (zh) * | 2020-02-19 | 2020-06-23 | 腾讯科技（深圳）有限公司 | 人员估计方法、装置及计算机可读存储介质和终端设备 |
| 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 |
| CN114240250A (zh) * | 2022-01-04 | 2022-03-25 | 国家电网有限公司客户服务中心 | 一种职业评测的智能管理方法及系统 |
| CN114925951A (zh) * | 2022-03-16 | 2022-08-19 | 云南电网有限责任公司输电分公司 | 基于结构方程模型的带电作业实操培训学员综合评价方法 |
Non-Patent Citations (2)
| Title |
|---|
| 徐刚等: "GBRT技术在MLS模拟训练成绩评估中应用", 《计算机仿真》 * |
| 郭赛等: "基于认知模型的建行学员培训评价研究", 《工业控制计算机》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115545570B (zh) | 2023-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Parker | Model evaluation: An adequacy-for-purpose view | |
| Özdil et al. | Investigation of the mediator variable effect using BK, Sobel and Bootstrap methods (Mathematical literacy case). | |
| Abele et al. | A closer look at academic probation and attrition: What courses are predictive of nursing student success? | |
| Calikli et al. | Empirical analyses of the factors affecting confirmation bias and the effects of confirmation bias on software developer/tester performance | |
| Asfar et al. | The improvement of mathematical problem-solving through the application of Problem Posing & Solving (PPS) learning model | |
| Teshima | Quality recognition & prediction: Smarter pattern technology with the Mahalanobis-Taguchi system | |
| Walker et al. | A multidimensional structure of domain-specific problem-solving competencies of electronics technicians for automation technology | |
| Aggarwal et al. | Principles for using machine learning in the assessment of open response items: Programming assessment as a case study | |
| Carver et al. | Understanding the impact of assumptions on experimental validity | |
| Ningsih et al. | The Development of Historical Thinking Assessment to Examine Students' Skills in Analyzing the Causality of Historical Events. | |
| Morton et al. | Investigating the factor structure of the South African Personality Inventory-English version | |
| Satiti et al. | Students' Ability To Think Mathematically in Solving PISA Mathematics Problems Content Change and Relationship | |
| CN115545570B (zh) | 一种护理教育培训的成果验收方法及系统 | |
| Miwa | Voters’ left–right perception of parties in contemporary Japan: removing the noise of misunderstanding | |
| Karakoc Alatli et al. | Examination of the TIMSS 2011 Fourth Grade Mathematics Test in Terms of Cross-Cultural Measurement Invariance. | |
| Hox | Accommodating measurement errors | |
| Neumann et al. | Analyzing uncertainties in model response using the point estimate method: Applications from railway asset management | |
| Bartolini et al. | A legal validation of a formal representation of GDPR articles | |
| Shen et al. | Assessing PSP effect in training disciplined software development: A Plan–Track–Review model | |
| CN115511454A (zh) | 一种生成审核规则的方法、装置及相关产品 | |
| Zaripova | Improving the quality of training of high qualified personnel on the basis of competence level assessment | |
| Öksüz et al. | The Review of the Effects of Realistic Mathematics Education on Students' Academic Achievement in Turkey: A Meta-Analysis Study. | |
| Larwin | Statistics Related Self-Efficacy A Confirmatory Factor Analysis Demonstrating a Significant Link to Prior Mathematics Experiences for Graduate Level Students | |
| Štuka et al. | The prediction and probability for successful completion in medical study based on tests and pre-admission grades | |
| Ingchatcharoen et al. | Testing measurement invariance of quality rating causal models in tutorial-based Assessment |
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 |