CN115630613B - 一种问卷调查中评价类问题的自动编码系统及其方法 - Google Patents
一种问卷调查中评价类问题的自动编码系统及其方法 Download PDFInfo
- Publication number
- CN115630613B CN115630613B CN202211631330.1A CN202211631330A CN115630613B CN 115630613 B CN115630613 B CN 115630613B CN 202211631330 A CN202211631330 A CN 202211631330A CN 115630613 B CN115630613 B CN 115630613B
- Authority
- CN
- China
- Prior art keywords
- questionnaire
- user
- keyword
- module
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/126—Character encoding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
-
- 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
- G06Q10/10—Office automation; Time management
Abstract
本发明涉及数据编码技术领域,具体涉及一种问卷调查中评价类问题的自动编码系统及其方法,包括题库生成模块以指标体系的指标总数作为指导,根据问卷调查预算确定问卷总数s,用户读取模块获得用户独立个人信息;数据处理模块将所述用户反馈的文字类描述信息进行结构化处理,形成结构化分析样本;数据监测模块将所述问卷调查信息与监测规则信息进行对比分析;答题情况分析模块获取用户对当前调查问卷的答题情况,得到用户作答的题目并进行关键字提取并加上关键字标签;编码加密模块进行加密储存解决所述用户提供对应解决方案的需求,本发明解决了现有的调查问卷无法根据不同人群的评价类问题回答来收集,获取到的有效数据减少的问题。
Description
技术领域
本发明涉及数据编码技术领域,具体涉及一种问卷调查中评价类问题的自动编码系统及其方法。
背景技术
调查问卷通常由一系列的问题、调查项目、备选答案或者填写说明组成。主要目的是向被调查者收集项目相关统计数据。调查问卷作为收集研究资料的工具,可以获取到大量的统计数据,对这些信息进行深入的分析,可验证研究假设并对所研究的问题作出科学的解释和说明。在实际调查中,要想通过问卷搜集高效度、高信度的研究数据,问卷设计是保证调查结果有效的关键点之一。设计问卷时设计人员往往需要考虑问卷结构的确定、试题的编写与排序、答案选项及量表的选择、试题表述与调查对象的关系等问题,同时无法根据当前收集到的信息快速对问卷进行调整。因此,有效的自动化问卷生成及自动化采集调查数据可极大地带来便利,减少相关人员工作量的同时降低人工失误的可能性。
由于问卷调查项目通常涉及到许多的考察方面,于是需要一个系统的指标体系来指导问卷调查工作。成熟的问卷调查项目涉及到的指标数量较为庞大,并且各个指标都需要有一定的数据支持。因此问卷试题应该覆盖所有的指标,同时需要体现不同指标的不同重要程度。受调查人群在做问卷时耐心程度有限。当问卷题目过多时,受调查者放弃评价类调查问题的几率大大增加,另一方面由于评价类问题回答比较宽泛,无法有效收集,这样不仅浪费了资源,还使得获取到的有效数据减少。如何根据不同人群的评价类问题回答来收集调查问卷,已经成为现有技术中亟待解决的问题之一。
发明内容
针对现有技术的不足,本发明公开了一种问卷调查中评价类问题的自动编码系统及其方法,用于解决现有的调查问卷无法根据不同人群的评价类问题回答来收集,获取到的有效数据减少的问题;
本发明通过以下技术方案予以实现:
第一方面,一种问卷调查中评价类问题的自动编码系统,包括:
题库生成模块,用于以指标体系的指标总数作为指导,根据问卷调查预算确定问卷总数s,且问卷总数s与问卷调查预算之间呈正相关;按照问卷需求设定问卷类型的数量l;
所述问卷题数确定步骤,确定问卷类型的数量l、设定问卷的试题总数m,所述问卷的试题总数至少不少于指标总数、至多等于整个题库的试题总数;根据问卷的试题总数m和问卷类型数量l计算每份问卷的试题数量P=m/l;
用户读取模块,用于获得用户独立个人信息,读取所述用户的问卷信息;
数据处理模块,用于将所述用户反馈的文字类描述信息进行结构化处理,形成结构化分析样本;
数据监测模块,用于将所述问卷调查信息与监测规则信息进行对比分析;
答题情况分析模块,用于获取用户对当前调查问卷的答题情况,得到用户作答的题目并进行关键字提取并加上关键字标签;
将指标编号并标记为
z k ,且k∈n,n表示指标总数;每一个指标
z k 都有与之对应的关键字,按照指标对应的题库为提取关键字编号,设定关键字编号集合为{z(k,1),z(k,2),z(k,3),...,z(k,n)};
所述关键字向量的相关性定义如下:两个关键字向量为
a和
b;
与间的欧氏距离K为:
其中,i和j分别表示两个关键字向量的第i个和第j个参量,a和b分别为两个关键字向量与水平轴之间的夹角,m1和m2分别为两个关键字向量的参量总数;
基于K值判断欧式距离的大小;
欧氏距离的值越小,表明两个向量的差距越小,说明所述关键字的相关性越高;反之,欧氏距离的值越大,则它与所述调查问卷的差距也较大,说明所述关键字的相关性越高;
编码加密模块,所述关键字标签进行加密储存且所述关键字中空缺部分以信息比特填充并将解码后的用户需求输入公共需求池,所述公共需求池用于解决所述用户提供对应解决方案的需求;
进行加密时,使用密文如下:
其中,c表示密文,u是用以掩盖明文m的掩码,是系数为 -1、0、1 的多项式;e1和e2是添加的噪声,p[0]和p[1]是明文m的密码段,q是添加的余数,t为时间参数。
更进一步地,所述答题情况分析模块还包括以下子模块,包括:
选取模块,用于截取相同范围值内关键字相关性的信息字段;
转码模块,用于产生表示所述信息字段的比特数目的长度字段;
误差模块,通过所述长度字段执行误差校正编码进行误差消除;
校正模块,用于插入该字段以及该误差校正码,得到关于所述关键字相关性解析。
更进一步地,所述数据处理模块得到所述用户作答的题目;获取所述调查问卷的题目内容、题目类型、答题内容等,识别出每道题目的答题情况,筛选出所述用户未作答的所有题目。
更进一步地,所述数据监测模块还包括以下子模块,包括:
答题分析模块,用于对所述用户给出用户提示并自动对用户操作进行记录;
无效处理模块,用于对重复提交无效问卷、答题时间过短无效问卷、乱码输入无效问卷进行拦截;
默认退回模块,将默认1分钟内答题完毕即定义为答题时间过短,同时可依据实际问卷内容及答题需要配置时间参数。
更进一步地,所述数据监测模块在监测到问答类型问卷的数据量不足时,则根据无效问卷的情况对所述调查问卷试题数量x进行调整,生成新的补充问卷;回收的新问卷结果作为补充数据并录入所述答题情况分析模块
第二方面,一种问卷调查中评价类问题的自动编码方法,包括以下步骤:
步骤1:以指标体系的指标总数作为指导,根据问卷调查预算确定问卷总数;
所述问卷题数确定步骤,确定问卷类型的数量l、设定问卷的试题总数m,所述问卷的试题总数至少不少于指标总数、至多等于整个题库的试题总数;根据问卷的试题总数m和问卷类型数量l计算每份问卷的试题数量P=m/l;
步骤2:获得用户独立个人信息,读取所述用户的问卷信息;
步骤3:将所述用户反馈的文字类描述信息进行结构化处理,形成结构化分析样本;
步骤4:将所述问卷调查信息与监测规则信息进行对比分析;
步骤5:获取用户对当前调查问卷的答题情况,得到用户作答的题目并进行关键字提取并加上关键字标签;
将指标编号并标记为
z k ,且k∈n,n表示指标总数;每一个指标
z k 都有与之对应的关键字,按照指标对应的题库为提取关键字编号,设定关键字编号集合为{z(k,1),z(k,2),z(k,3),...,z(k,n)};
所述关键字向量的相关性定义如下:两个关键字向量为
a和
b;
与间的欧氏距离K为:
其中,i和j分别表示两个关键字向量的第i个和第j个参量,a和b分别为两个关键字向量与水平轴之间的夹角,m1和m2分别为两个关键字向量的参量总数;
基于K值判断欧式距离的大小;
步骤501:欧氏距离的值越小,表明两个向量的差距越小,说明所述关键字的相关性越高;
步骤502:欧氏距离的值越大,则它与所述调查问卷的差距也较大,说明所述关键字的相关性越高;
步骤6:所述关键字标签进行加密储存且所述关键字中空缺部分以信息比特填充并将解码后的用户需求输入公共需求池;
进行加密时,使用密文如下:
其中,c表示密文,u是用以掩盖明文m的掩码,是系数为 -1、0、1 的多项式;e1和e2是添加的噪声,p[0]和p[1]是明文m的密码段,q是添加的余数,t为时间参数;
步骤7:所述公共需求池用于解决所述用户提供对应解决方案的需求。
更进一步地,所述步骤5在进行答题情况分析时,有以下分步骤:
步骤511:截取相同范围值内关键字相关性的信息字段;
步骤512:产生表示所述信息字段的比特数目的长度字段;
步骤513:通过所述长度字段执行误差校正编码进行误差消除;
步骤514:插入该字段以及该误差校正码,得到关于所述关键字相关性解析。
更进一步地,所述步骤3当所述调查问卷生成后,所述用户在作答的过程中,实时获取用户对调查问卷的当前答题情况。
更进一步地,所述步骤7有以下分步骤:
步骤701:对所述用户给出用户提示并自动对用户操作进行记录;
步骤702:用于对重复提交无效问卷、答题时间过短无效问卷、乱码输入无效问卷进行拦截;
步骤703:将默认1分钟内答题完毕即定义为答题时间过短,同时可依据实际问卷内容及答题需要配置时间参数。
更进一步地,录入所述用户的信息包括使用者的姓名、性别、年龄、联系方式、学历和身份信息;在采集录入时,初中及以上学历的各类人群,采用线上填写的方式;初中以下学历的各类人群和孩子,采用工作人员辅助录入的方式。
本发明的有益效果为:
1、本发明根据该基本信息从数据库中查找和基本信息相对应的题目类别,并选择预设题目数量的题目生成调查问卷,同时将所述基本信息自动填写至所述题目中,以省去用户重复填写的步骤,提高用户体验。需要说明的是,选择预设题目数量的题目,可以不同类别的题目选择相同的数量,也可以预先对不同类型的题目数量根据实际调查需求进行设置,根据设置值进行选择。
2、本发明提出的一种自动化生成评价问卷编码的方法,利用数学的方法生成关键词编号序列,再根据该序列自动生成相关度分析,既丰富了问卷的可信度,也为问卷设计提供了极大的便利;问卷生成过程中生成随机的关键词编号序列,该序列同时覆盖了调查问卷的指标及所有的题库。并且利用该试题序列生成问卷避免了问卷中同一指标的重复出现,解决了调查问卷设计过程中无法兼顾指标与题库的问题,使得生成的问卷更加科学与高效。
3、本发明提出的自动化生成问卷的方法后续还会对数量未达标的评价数据进行补充收集,即根据已获得的数据推断受调查者的耐心程度,调整每份问卷的试题数量后进行数据补充,使得获取到的数据数量充足并且有效性高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,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的附图。
图1为一种问卷调查中评价类问题的自动编码系统的系统结构示意图;
图2为一种问卷调查中评价类问题的自动编码方法的流程示意图;
图3为一种问卷调查中评价类问题的自动编码方法判断欧氏距离K时流程示意图;
图4为一种问卷调查中评价类问题的自动编码方法进行进行答题情况分析时流程示意图;
图5为一种问卷调查中评价类问题的自动编码方法提供对应解决方案时流程示意图;
图中的标号分别代表:1、用户读取模块;2、题库生成模块;3、数据处理模块;4、数据监测模块;41、答题分析模块;42、无效处理模块;43、默认退回模块;5、答题情况分析模块;51、选取模块;52、转码模块;53、误差模块;54、校正模块;6、编码加密模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域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,都属于本发明保护的范围。
实施例1
本实施例提供一种问卷调查中评价类问题的自动编码系统,请参阅图1,包括:
题库生成模块2,用于以指标体系的指标总数作为指导,根据问卷调查预算确定问卷总数s,且问卷总数s与问卷调查预算之间呈正相关;按照问卷需求设定问卷类型的数量l;
所述问卷题数确定步骤,确定问卷类型的数量l、设定问卷的试题总数m,所述问卷的试题总数至少不少于指标总数、至多等于整个题库的试题总数;根据问卷的试题总数m和问卷类型数量l计算每份问卷的试题数量P=m/l;
用户读取模块1,用于获得用户独立个人信息,读取所述用户的问卷信息;
数据处理模块3,用于将所述用户反馈的文字类描述信息进行结构化处理,形成结构化分析样本;
数据监测模块4,用于将所述问卷调查信息与监测规则信息进行对比分析;
答题情况分析模块5,用于获取用户对当前调查问卷的答题情况,得到用户作答的题目并进行关键字提取并加上关键字标签;
将指标编号并标记为
z k ,且k∈n,n表示指标总数;每一个指标
z k 都有与之对应的关键字,按照指标对应的题库为提取关键字编号,设定关键字编号集合为{z(k,1),z(k,2),z(k,3),...,z(k,n)};
所述关键字向量的相关性定义如下:两个关键字向量为
a和
b;
与间的欧氏距离K为:
其中,i和j分别表示两个关键字向量的第i个和第j个参量,a和b分别为两个关键字向量与水平轴之间的夹角,m1和m2分别为两个关键字向量的参量总数;
基于K值判断欧式距离的大小;
欧氏距离的值越小,表明两个向量的差距越小,说明所述关键字的相关性越高;反之,欧氏距离的值越大,则它与所述调查问卷的差距也较大,说明所述关键字的相关性越高;
编码加密模块6,所述关键字标签进行加密储存且所述关键字中空缺部分以信息比特填充并将解码后的用户需求输入公共需求池,所述公共需求池用于解决所述用户提供对应解决方案的需求;
进行加密时,使用密文如下:
其中,c表示密文,u是用以掩盖明文m的掩码,是系数为 -1、0、1 的多项式;e1和e2是添加的噪声,p[0]和p[1]是明文m的密码段,q是添加的余数,t为时间参数;
首先通过后台添加一个智能应答的规则,并填写规则名称,每个规则下面可以添加若干个不同的关键词,每个关键词可以分别设置为完全匹配或者模糊匹配。每个规则可以设置一条或多条回复内容。每条回复的内容可以从内容库中选择文本、图文、语音、视频、应用模块(包括问卷等)等信息,当每个规则设置为多条回复内容时,还可以设置回复规则:顺序回复全部消息,随机回复全部消息,随机回复一条消息。设置完成后用户在应用上输入关键词就能根据设置的规则和内容促发对应的内容。
所述答题情况分析模块5还包括以下子模块,包括:
选取模块51,用于截取相同范围值内关键字相关性的信息字段;
转码模块52,用于产生表示所述信息字段的比特数目的长度字段;
误差模块53,通过所述长度字段执行误差校正编码进行误差消除;
校正模块54,用于插入该字段以及该误差校正码,得到关于所述关键字相关性解析。
所述数据处理模块3得到所述用户作答的题目;获取所述调查问卷的题目内容、题目类型、答题内容等,识别出每道题目的答题情况,筛选出所述用户未作答的所有题目
所述数据监测模块4还包括以下子模块,包括:
答题分析模块41,用于对所述用户给出用户提示并自动对用户操作进行记录;
无效处理模块42,用于对重复提交无效问卷、答题时间过短无效问卷、乱码输入无效问卷进行拦截;
默认退回模块43,将默认1分钟内答题完毕即定义为答题时间过短,同时可依据实际问卷内容及答题需要配置时间参数。
所述数据监测模块4在监测到问答类型问卷的数据量不足时,则根据无效问卷的情况对所述调查问卷试题数量x进行调整,生成新的补充问卷;回收的新问卷结果作为补充数据并录入所述答题情况分析模块5。
本发明根据该基本信息从数据库中查找和基本信息相对应的题目类别,并选择预设题目数量的题目生成调查问卷,同时将所述基本信息自动填写至所述题目中,以省去用户重复填写的步骤,提高用户体验。需要说明的是,选择预设题目数量的题目,可以不同类别的题目选择相同的数量,也可以预先对不同类型的题目数量根据实际调查需求进行设置,根据设置值进行选择。
本发明提出的一种自动化生成评价问卷编码的方法,利用数学的方法生成关键词编号序列,再根据该序列自动生成相关度分析,既丰富了问卷的可信度,也为问卷设计提供了极大的便利;问卷生成过程中生成随机的关键词编号序列,该序列同时覆盖了调查问卷的指标及所有的题库。并且利用该试题序列生成问卷避免了问卷中同一指标的重复出现,解决了调查问卷设计过程中无法兼顾指标与题库的问题,使得生成的问卷更加科学与高效。
本发明提出的自动化生成问卷的方法后续还会对数量未达标的评价数据进行补充收集,即根据已获得的数据推断受调查者的耐心程度,调整每份问卷的试题数量后进行数据补充,使得获取到的数据数量充足并且有效性高。
实施例2
在具体实施层面,在实施例1的基础上,本实施例参照图2、图3、图4和图5所示对实施例1中一种问卷调查中评价类问题的自动编码系统做进一步具体说明,一种问卷调查中评价类问题的自动编码方法,包括以下步骤:
步骤1:以指标体系的指标总数作为指导,根据问卷调查预算确定问卷总数;
所述问卷题数确定步骤,确定问卷类型的数量l、设定问卷的试题总数m,所述问卷的试题总数至少不少于指标总数、至多等于整个题库的试题总数;根据问卷的试题总数m和问卷类型数量l计算每份问卷的试题数量P=m/l;
步骤2:获得用户独立个人信息,读取所述用户的问卷信息;
步骤3:将所述用户反馈的文字类描述信息进行结构化处理,形成结构化分析样本;
步骤4:将所述问卷调查信息与监测规则信息进行对比分析;
步骤5:获取用户对当前调查问卷的答题情况,得到用户作答的题目并进行关键字提取并加上关键字标签;
将指标编号并标记为
z k ,且k∈n,n表示指标总数;每一个指标
z k 都有与之对应的关键字,按照指标对应的题库为提取关键字编号,设定关键字编号集合为{z(k,1),z(k,2),z(k,3),...,z(k,n)};
所述关键字向量的相关性定义如下:两个关键字向量为
a和
b;
与间的欧氏距离K为:
其中,i和j分别表示两个关键字向量的第i个和第j个参量,a和b分别为两个关键字向量与水平轴之间的夹角,m1和m2分别为两个关键字向量的参量总数;
基于K值判断欧式距离的大小;
步骤501:欧氏距离的值越小,表明两个向量的差距越小,说明所述关键字的相关性越高;
步骤502:欧氏距离的值越大,则它与所述调查问卷的差距也较大,说明所述关键字的相关性越高;
步骤6:所述关键字标签进行加密储存且所述关键字中空缺部分以信息比特填充并将解码后的用户需求输入公共需求池;
步骤7:所述公共需求池用于解决所述用户提供对应解决方案的需求。
所述步骤5在进行答题情况分析时,有以下分步骤:
步骤511:截取相同范围值内关键字相关性的信息字段;
步骤512:产生表示所述信息字段的比特数目的长度字段;
步骤513:通过所述长度字段执行误差校正编码进行误差消除;
步骤514:插入该字段以及该误差校正码,得到关于所述关键字相关性解析。
所述步骤3当所述调查问卷生成后,所述用户在作答的过程中,实时获取用户对调查问卷的当前答题情况。
所述步骤7有以下分步骤:
步骤701:对所述用户给出用户提示并自动对用户操作进行记录;
步骤702:用于对重复提交无效问卷、答题时间过短无效问卷、乱码输入无效问卷进行拦截;
步骤703:将默认1分钟内答题完毕即定义为答题时间过短,同时可依据实际问卷内容及答题需要配置时间参数。
录入所述用户的信息包括使用者的姓名、性别、年龄、联系方式、学历和身份信息;在采集录入时,初中及以上学历的各类人群,采用线上填写的方式;初中以下学历的各类人群和孩子,采用工作人员辅助录入的方式。
本发明根据该基本信息从数据库中查找和基本信息相对应的题目类别,并选择预设题目数量的题目生成调查问卷,同时将所述基本信息自动填写至所述题目中,以省去用户重复填写的步骤,提高用户体验。需要说明的是,选择预设题目数量的题目,可以不同类别的题目选择相同的数量,也可以预先对不同类型的题目数量根据实际调查需求进行设置,根据设置值进行选择。
本发明提出的一种自动化生成评价问卷编码的方法,利用数学的方法生成关键词编号序列,再根据该序列自动生成相关度分析,既丰富了问卷的可信度,也为问卷设计提供了极大的便利;问卷生成过程中生成随机的关键词编号序列,该序列同时覆盖了调查问卷的指标及所有的题库。并且利用该试题序列生成问卷避免了问卷中同一指标的重复出现,解决了调查问卷设计过程中无法兼顾指标与题库的问题,使得生成的问卷更加科学与高效。
本发明提出的自动化生成问卷的方法后续还会对数量未达标的评价数据进行补充收集,即根据已获得的数据推断受调查者的耐心程度,调整每份问卷的试题数量后进行数据补充,使得获取到的数据数量充足并且有效性高。
实施例3
在具体实施层面,在实施例2的基础上,本实施例对实施例2中一种问卷调查中评价类问题的自动编码方法做进一步具体说明,用户可以选择从系统既有模板中选择自己感兴趣的模板开始创建,也可以全新创建,自己编辑创建好的问卷也可以发布为模板,可以免费也可以收费。发布为共享模板的问卷,可供平台其他用户在创建时使用。
本发明根据该基本信息从数据库中查找和基本信息相对应的题目类别,并选择预设题目数量的题目生成调查问卷,同时将所述基本信息自动填写至所述题目中,以省去用户重复填写的步骤,提高用户体验。需要说明的是,选择预设题目数量的题目,可以不同类别的题目选择相同的数量,也可以预先对不同类型的题目数量根据实际调查需求进行设置,根据设置值进行选择。
本发明提出的一种自动化生成评价问卷编码的方法,利用数学的方法生成关键词编号序列,再根据该序列自动生成相关度分析,既丰富了问卷的可信度,也为问卷设计提供了极大的便利;问卷生成过程中生成随机的关键词编号序列,该序列同时覆盖了调查问卷的指标及所有的题库。并且利用该试题序列生成问卷避免了问卷中同一指标的重复出现,解决了调查问卷设计过程中无法兼顾指标与题库的问题,使得生成的问卷更加科学与高效。
本发明提出的自动化生成问卷的方法后续还会对数量未达标的评价数据进行补充收集,即根据已获得的数据推断受调查者的耐心程度,调整每份问卷的试题数量后进行数据补充,使得获取到的数据数量充足并且有效性高。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种问卷调查中评价类问题的自动编码系统,包括:
题库生成模块(2),用于以指标体系的指标总数作为指导,根据问卷调查预算确定问卷总数s,且问卷总数s与问卷调查预算之间呈正相关;按照问卷需求设定问卷类型的数量为l;
问卷题数确定步骤,设定问卷的试题总数m,所述问卷的试题总数不少于指标总数、至多等于整个题库的试题总数;根据问卷的试题总数m和问卷类型数量l计算每份问卷的试题数量P=m/l;
用户读取模块(1),用于获得用户独立个人信息,读取所述用户的问卷信息;
数据处理模块(3),用于将所述用户反馈的文字类描述信息进行结构化处理,形成结构化分析样本;
数据监测模块(4),用于将所述问卷信息与监测规则信息进行对比分析;所述数据监测模块(4)还包括以下子模块,包括:
答题分析模块(41),用于对所述用户给出用户提示并自动对用户操作进行记录;
无效处理模块(42),用于对重复提交无效问卷、答题时间过短无效问卷、乱码输入无效问卷进行拦截;
默认退回模块(43),将默认1分钟内答题完毕即定义为答题时间过短,同时可依据实际问卷内容及答题需要配置时间参数;
其特征在于,还包括:
答题情况分析模块(5),用于获取用户对当前调查问卷的答题情况,得到用户作答的题目并进行关键字提取并加上关键字标签;
所述答题情况分析模块(5)还包括以下子模块,包括:
选取模块(51),用于截取相同范围值内关键字相关性的信息字段;
转码模块(52),用于产生表示所述信息字段的比特数目的长度字段;
误差模块(53),通过所述长度字段执行误差校正编码进行误差消除;
校正模块(54),用于插入长度字段以及误差校正编码,得到关于所述关键字相关性解析;
将指标编号并标记为z k ,且k∈n,n表示指标总数;每一个指标z k 都有与之对应的关键字,按照指标对应的题库为提取关键字编号,设定关键字编号集合为{z(k,1),z(k,2),z(k,3),...,z(k,n)};
所述关键字相关性定义如下:两个关键字向量为a和b;
与间的欧氏距离K为:
其中,i和j分别表示两个关键字向量的第i个和第j个参量,a和b分别为两个关键字向量与水平轴之间的夹角,m1和m2分别为两个关键字向量的参量总数;
基于K值判断欧式距离的大小;
欧氏距离的值越小,表明两个向量的差距越小,说明所述关键字的相关性越高;反之,欧氏距离的值越大,则它与所述调查问卷的差距也越大,说明所述关键字的相关性越低;
还包括编码加密模块(6),对所述关键字标签进行加密储存且所述关键字中空缺部分以信息比特填充并将解码后的用户需求输入公共需求池,所述公共需求池用于解决所述用户提供对应解决方案的需求。
2.根据权利要求1所述的一种问卷调查中评价类问题的自动编码系统,其特征在于,进行加密时,使用密文如下:
其中,c表示密文,u是用以掩盖明文m的掩码,是系数为 -1、0、1 的多项式;e1和e2是添加的噪声,p[0]和p[1]是明文m的密码段,q是添加的余数,t为时间参数;
所述数据处理模块(3)得到所述用户作答的题目;获取所述调查问卷的题目内容、题目类型、答题内容,识别出每道题目的答题情况,筛选出所述用户未作答的所有题目。
3.根据权利要求2所述的一种问卷调查中评价类问题的自动编码系统,其特征在于,所述数据监测模块(4)在监测到问答类型问卷的数据量不足时,则根据无效问卷的情况对所述调查问卷试题数量x进行调整,生成新的补充问卷;回收的新问卷结果作为补充数据并录入所述答题情况分析模块(5)。
4.一种问卷调查中评价类问题的自动编码方法,所述方法是对如权利要求1-3中任意一项所述的一种问卷调查中评价类问题的自动编码系统的实施方法,其特征在于,包括以下步骤:
Step1:以指标体系的指标总数作为指导,根据问卷调查预算确定问卷总数;
所述问卷题数确定步骤,确定问卷类型的数量l、设定问卷的试题总数m,所述问卷的试题总数至少不少于指标总数、至多等于整个题库的试题总数;根据问卷的试题总数m和问卷类型数量l计算每份问卷的试题数量P=m/l;
Step2:获得用户独立个人信息,读取所述用户的问卷信息;
Step3:将所述用户反馈的文字类描述信息进行结构化处理,形成结构化分析样本;
Step4:将所述问卷信息与监测规则信息进行对比分析;
Step5:获取用户对当前调查问卷的答题情况,得到用户作答的题目并进行关键字提取并加上关键字标签;
将指标编号并标记为z k ,且k∈n,n表示指标总数;每一个指标z k 都有与之对应的关键字,按照指标对应的题库为提取关键字编号,设定关键字编号集合为{z(k,1),z(k,2),z(k,3),...,z(k,n)};
所述关键字向量的相关性定义如下:两个关键字向量为a和b;
与间的欧氏距离K为:
其中,i和j分别表示两个关键字向量的第i个和第j个参量,a和b分别为两个关键字向量与水平轴之间的夹角,m1和m2分别为两个关键字向量的参量总数;
基于K值判断欧式距离的大小;
Step501:欧氏距离的值越小,表明两个向量的差距越小,说明所述关键字的相关性越高;
Step502:欧氏距离的值越大,则它与所述调查问卷的差距也较大,说明所述关键字的相关性越低;
在进行答题情况分析时,有以下分步骤:
Step511:截取相同范围值内关键字相关性的信息字段;
Step512:产生表示所述信息字段的比特数目的长度字段;
Step513:通过所述长度字段执行误差校正编码进行误差消除;
Step514:插入长度字段以及误差校正编码,得到关于所述关键字相关性解析;
Step6:所述关键字标签进行加密储存且所述关键字中空缺部分以信息比特填充并将解码后的用户需求输入公共需求池;
Step7:所述公共需求池解决所述用户提供对应解决方案的需求。
5.根据权利要求4所述的一种问卷调查中评价类问题的自动编码方法,其特征在于,所述Step3当所述调查问卷生成后,所述用户在作答的过程中,实时获取用户对调查问卷的当前答题情况。
6.根据权利要求5所述的一种问卷调查中评价类问题的自动编码方法,其特征在于,所述Step7有以下分步骤:
Step701:对所述用户给出用户提示并自动对用户操作进行记录;
Step702:用于对重复提交无效问卷、答题时间过短无效问卷、乱码输入无效问卷进行拦截;
Step703:将默认1分钟内答题完毕即定义为答题时间过短,同时可依据实际问卷内容及答题需要配置时间参数。
7.根据权利要求6所述的一种问卷调查中评价类问题的自动编码方法,其特征在于:录入所述用户的信息包括使用者的姓名、性别、年龄、联系方式、学历和身份信息;在采集录入时,初中及以上学历的各类人群,采用线上填写的方式;初中以下学历的各类人群和孩子,采用工作人员辅助录入的方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211631330.1A CN115630613B (zh) | 2022-12-19 | 2022-12-19 | 一种问卷调查中评价类问题的自动编码系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211631330.1A CN115630613B (zh) | 2022-12-19 | 2022-12-19 | 一种问卷调查中评价类问题的自动编码系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115630613A CN115630613A (zh) | 2023-01-20 |
CN115630613B true CN115630613B (zh) | 2023-04-07 |
Family
ID=84910808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211631330.1A Active CN115630613B (zh) | 2022-12-19 | 2022-12-19 | 一种问卷调查中评价类问题的自动编码系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115630613B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703332B (zh) * | 2023-07-28 | 2023-10-17 | 成都数智创新精益科技有限公司 | 一种基于微服务架构的石油问卷调查分析系统及方法 |
CN117216599B (zh) * | 2023-09-27 | 2024-02-13 | 北京青丝科技有限公司 | 一种问卷数据分析方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1316163A (zh) * | 1999-06-12 | 2001-10-03 | 三星电子株式会社 | 多媒体数据的编码方法及其装置 |
WO2020237519A1 (zh) * | 2019-05-29 | 2020-12-03 | 深圳大学 | 识别方法、装置、设备以及存储介质 |
WO2021174783A1 (zh) * | 2020-03-02 | 2021-09-10 | 平安科技(深圳)有限公司 | 近义词推送方法、装置、电子设备及介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107967255A (zh) * | 2017-11-08 | 2018-04-27 | 北京广利核系统工程有限公司 | 一种判定文本相似性的方法和系统 |
CN108717411B (zh) * | 2018-05-23 | 2022-04-08 | 安徽数据堂科技有限公司 | 一种基于大数据的调查问卷设计辅助系统 |
CN110032632A (zh) * | 2019-04-04 | 2019-07-19 | 平安科技(深圳)有限公司 | 基于文本相似度的智能客服问答方法、装置及存储介质 |
CN110096702B (zh) * | 2019-04-22 | 2023-07-25 | 安徽省泰岳祥升软件有限公司 | 一种主观题评分方法及装置 |
CN110147953B (zh) * | 2019-05-16 | 2023-01-10 | 电子科技大学 | 一种调查问卷自动生成方法 |
CN111243364A (zh) * | 2020-01-09 | 2020-06-05 | 东华大学 | 一种基于HanLP的注册电气工程师考试主观题自动评分方法 |
CN112905715A (zh) * | 2021-02-08 | 2021-06-04 | 长沙冉星信息科技有限公司 | 一种基于问卷的多维度评估方法及其方法 |
CN114625960A (zh) * | 2022-02-22 | 2022-06-14 | 新瑞鹏宠物医疗集团有限公司 | 线上考评方法、装置、电子设备及存储介质 |
-
2022
- 2022-12-19 CN CN202211631330.1A patent/CN115630613B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1316163A (zh) * | 1999-06-12 | 2001-10-03 | 三星电子株式会社 | 多媒体数据的编码方法及其装置 |
WO2020237519A1 (zh) * | 2019-05-29 | 2020-12-03 | 深圳大学 | 识别方法、装置、设备以及存储介质 |
WO2021174783A1 (zh) * | 2020-03-02 | 2021-09-10 | 平安科技(深圳)有限公司 | 近义词推送方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115630613A (zh) | 2023-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115630613B (zh) | 一种问卷调查中评价类问题的自动编码系统及其方法 | |
Hernandez et al. | Natural language descriptions of deep visual features | |
Chen et al. | Incorporating structured commonsense knowledge in story completion | |
US5671333A (en) | Training apparatus and method | |
Rosé et al. | Analyzing collaborative learning processes automatically: Exploiting the advances of computational linguistics in computer-supported collaborative learning | |
CN112579707A (zh) | 一种日志数据的知识图谱构建方法 | |
Zhang et al. | Summarizing and exploring tabular data in conversational search | |
Cai et al. | Using topic modeling for code discovery in large scale text data | |
US20220027733A1 (en) | Systems and methods using artificial intelligence to analyze natural language sources based on personally-developed intelligent agent models | |
CN111241153A (zh) | 企业自然人实体综合判断对齐方法及系统 | |
Rytting et al. | Towards coding social science datasets with language models | |
Stefanova et al. | Educational data mining perspectives within university big data environment | |
CN117520503A (zh) | 基于llm模型的金融客服对话生成方法、装置、设备及介质 | |
CN117312509A (zh) | 一种海量信息下基于大语言模型的知识库问答方法及装置 | |
Hong et al. | Comprehensive technology function product matrix for intelligent chatbot patent mining | |
CN115082041B (zh) | 用户信息管理方法、装置、设备及存储介质 | |
Yamamoto et al. | Developing a machine‐supported coding system for constructed‐response items in PISA | |
Gajanayake et al. | Candidate selection for the interview using github profile and user analysis for the position of software engineer | |
CN112668284B (zh) | 一种法律文书分段方法及系统 | |
Parkhi et al. | Machine Learning Based Prediction Model for College Admission | |
CN114417010A (zh) | 面向实时工作流的知识图谱构建方法、装置和存储介质 | |
Koscinski et al. | On-demand security requirements synthesis with relational generative adversarial networks | |
Kiran et al. | Career and Skills Recommendations using Data Mining Technique: Matching Right People for Right Profession, in Pakistani Context | |
KR102624634B1 (ko) | 자가학습 기반 인공지능을 이용한 비대면 설문조사에서 중도이탈 응답 대체 시스템 | |
KR102624636B1 (ko) | 자체 피드백 기반의 설문지 생성 시스템 |
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 |