CN115759679A - 分组方法及装置 - Google Patents

分组方法及装置 Download PDF

Info

Publication number
CN115759679A
CN115759679A CN202211517002.9A CN202211517002A CN115759679A CN 115759679 A CN115759679 A CN 115759679A CN 202211517002 A CN202211517002 A CN 202211517002A CN 115759679 A CN115759679 A CN 115759679A
Authority
CN
China
Prior art keywords
grouped
grouping
learning style
group
groups
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
Application number
CN202211517002.9A
Other languages
English (en)
Inventor
马慧慧
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.)
Bank of China Ltd
Original Assignee
Bank of China 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 Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202211517002.9A priority Critical patent/CN115759679A/zh
Publication of CN115759679A publication Critical patent/CN115759679A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种分组方法及装置，涉及金融技术领域，其中该方法包括：分组方法，包括：获取多个待分组人员的多维学习风格指数值；根据各个待分组人员的多维学习风格指数值，确定多组协作小组的组长；根据遗传算法的适应度函数、各个待分组人员的多维学习风格指数值以及每组协作小组的组长进行分组，确定各组协作小组的成员。本申请能够提高分组的可靠性，进而能够提高小组合作协作效率。

Description

分组方法及装置
技术领域
本申请涉及数据处理技术领域，尤其涉及分组方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本申请实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
团队协作方式有助于小组内的成员之间相互沟通和分享，更好地提高沟通能力、团队协作能力等，提高工作效率。目前，分组问题是协作学习研究中的一个热点问题。
然而，在当前协作学习环境中，分组采用的方法主要是自主分组、按照编号分组、或者随机分组，选取小组长时也是采用自愿或者随机的方式，这样的分组如果不合理时，会削弱合作效果。
发明内容
本申请实施例提供一种分组方法，用以提高分组的可靠性，进而能够提高小组合作协作效率，该方法包括：
获取多个待分组人员的多维学习风格指数值；
根据各个待分组人员的多维学习风格指数值，确定多组协作小组的组长；
根据遗传算法的适应度函数、各个待分组人员的多维学习风格指数值以及每组协作小组的组长进行分组，确定各组协作小组的成员。
进一步地，所述根据各个待分组人员的多维学习风格指数值，确定多组协作小组的组长包括：
依据各个待分组人员的主动型维度的学习风格指数值的大小对所有待分组人员进行排序，将排名在前预设位数的待分组人员分别确定为组长。
进一步地，所述根据遗传算法的适应度函数、各个待分组人员的多维学习风格指数值以及每组协作小组的组长进行分组，确定各组协作小组的成员，包括：
根据遗传算法的适应度函数、各个待分组人员的多维学习风格指数值以及每组协作小组的组长进行分组，确定最佳分组结果；
其中，所述最佳分组结果包括：各个协作小组以及各个协作小组中的组长和成员，所述最佳分组结果中的每两个协作小组之间的差异值均小于组间差异值阈值，组内的差异值大于组内差异值阈值。
进一步地，在所述获取多个待分组人员的多维学习风格指数值之前还包括：
获取各个待分组人员的学习风格问卷调查表图像；
应用预设的文字识别模型和各个待分组人员的学习风格问卷调查表图像，得到各个待分组人员的多维学习风格指数值并存储在本地。
进一步地，在所述获取多个待分组人员的多维学习风格指数值之前还包括：
接收前端传入的各个待分组人员的学习风格问卷调查表，得到各个待分组人员的多维学习风格指数值并存储在本地。
本申请实施例还提供一种分组装置，用以提高分组的可靠性，进而能够提高小组合作协作效率，该装置包括：
获取模块，用于获取多个待分组人员的多维学习风格指数值；
确定模块，用于根据各个待分组人员的多维学习风格指数值，确定多组协作小组的组长；
分组模块，用于根据遗传算法的适应度函数、各个待分组人员的多维学习风格指数值以及每组协作小组的组长进行分组，确定各组协作小组的成员。
进一步地，所述确定模块包括：
排序单元，用于依据各个待分组人员的主动型维度的学习风格指数值的大小对所有待分组人员进行排序，将排名在前预设位数的待分组人员分别确定为组长。
本申请实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述分组方法。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述分组方法。
本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述分组方法。
本申请实施例中的分组方法及装置，与现有技术中自主分组、按照编号分组、或者随机分组的技术方案相比，通过获取多个待分组人员的多维学习风格指数值；根据各个待分组人员的多维学习风格指数值，确定多组协作小组的组长；根据遗传算法的适应度函数、各个待分组人员的多维学习风格指数值以及每组协作小组的组长进行分组，确定各组协作小组的成员，能够提高分组的可靠性，进而能够提高小组合作协作效率；具体地，基于遗传算法的分组方法考虑了个体的学习风格，所得到的分组结果更符合实际应用场景，该系统可以使不同小组间的差异度尽可能小，分组尽可能公平合理，同时充分发挥个体成员的潜能，增强团队合作的效果可以达到不同层次的学习风格的平衡，从而更好地适应当前的协作环境。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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。在附图中：
图1是本申请实施例中的分组方法的流程示意图；
图2是本申请另一实施例中的分组方法的流程示意图；
图3是本申请又一实施例中的分组方法的流程示意图；
图4是本申请实施例中的分组方法的步骤401和步骤402的流程示意图；
图5是本申请实施例中的分组装置的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本申请实施例做进一步详细说明。在此，本申请的示意性实施例及其说明用于解释本申请，但并不作为对本申请的限定。
需要说明的是，本申请公开的分组方法及装置可用于金融技术领域，也可用于除金融技术领域之外的任意领域，本申请公开的分组方法及装置的应用领域不做限定。本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
为了提高分组的可靠性，进而提高小组合作协作效率，本实施例提供一种执行主体是分组装置的分组方法，该分组装置包括但不限于服务器，如图1所示，该方法具体包含有如下内容：
步骤101：获取多个待分组人员的多维学习风格指数值。
具体地，所述学习风格的维度可以分为：主动型维度和反思型维度等。可以将多维学习风格量化为指数值。主动型学习者较偏好多人一起合作的团队学习。反思型学习者喜欢独自一人完成工作,较偏好单独去思考学习的内容。
步骤102：根据各个待分组人员的多维学习风格指数值，确定多组协作小组的组长。
步骤103：根据遗传算法的适应度函数、各个待分组人员的多维学习风格指数值以及每组协作小组的组长进行分组，确定各组协作小组的成员。
具体地，遗传算法的适应度函数是一种评估分组效果的函数，该函数考虑了每个人员的学习风格，同时考虑了分组的组间差异度和组内差异度，尽可能满足“组间差异最小，组内差异最大”；首先根据个体成员的的学习风格确定小组长，然后初始化种群，产生一些分组序列，并对种群进行选择、交叉、变异的基本遗传操作，再依据所提出的适应度函数来衡量分组结果的好坏，尽可能得到一个组内差异值最大、组间差异值最小的分组结果作为最佳分组名单；每组协作小组可以包括：唯一对应的组长和至少一个成员，各组协作小组对应的组长不同；根据遗传算法的适应度函数、各个待分组人员的多维学习风格指数值以及每组协作小组的组长进行分组，从除组长之外的各个待分组成员中确定各组协作小组的成员。
由上述描述可知，本实施例提供的分组方法能够考虑学习者的学习风格和小组长对分组的影响，可以基于遗传算法，将待分组人员的学习风格量化为值，形成合理的协作小组，能够提高分组的可靠性，提高团队协作的效率。
为了提高确定小组组长的可靠性，参见图2，在本申请一个实施例中，步骤102包括：
步骤201：依据各个待分组人员的主动型维度的学习风格指数值的大小对所有待分组人员进行排序，将排名在前预设位数的待分组人员分别确定为组长。
具体地，所述预设位数可以根据实际需要进行设定，本申请对此不作限定。可以通过问卷获取到个体的学习风格后，对主动型/思考型维度的值排序，选出排序结果中值最大的，即更偏向主动型的人担任小组长。然后，在考虑使同组人员差异较大、各小组之间总体差异均衡的前提下，定义新的适应度函数；通过遗传算法的基本操作不断调整每组人员，尽可能寻找到适应度值最大的序列，即得到最佳分组结果。还可以基于反思型维度的学习风格指数值排序，排名在前预设位数的待分组人员分别确定为组长。
为了获得最优的分组结果，尽可能得到一个组内差异值最大、组间差异值最小的分组结果作为最佳分组名单，参见图3，在本申请一个实施例中，步骤103包括：
步骤301：根据遗传算法的适应度函数、各个待分组人员的多维学习风格指数值以及每组协作小组的组长进行分组，确定最佳分组结果；其中，所述最佳分组结果包括：各个协作小组以及各个协作小组中的组长和成员，所述最佳分组结果中的每两个协作小组之间的差异值均小于组间差异值阈值，组内的差异值大于组内差异值阈值。
具体地，可以将遗传算法的适应度函数值最大时对应的分组结果确定为最佳分组结果。
为了提高获得多维学习风格指数值的便捷性，参见图4，在本申请一个实施例中，在步骤101之前还包括：
步骤401：获取各个待分组人员的学习风格问卷调查表图像。
步骤402：应用预设的文字识别模型和各个待分组人员的学习风格问卷调查表图像，得到各个待分组人员的多维学习风格指数值并存储在本地。
具体地，所述预设的文字识别模型可以是预先训练得到的OCR模型；所述学习风格问卷调查表中可以包含有其对应的待分组人员的多维学习风格指数值；可以将各个待分组人员的多维学习风格指数值存储在分组装置本地。
为了提高数据的安全性，在本申请一个实施例中，在步骤101之前还包括：接收前端传入的各个待分组人员的学习风格问卷调查表，得到各个待分组人员的多维学习风格指数值并存储在本地。
具体地，管理员登录后进入管理员主页，可以查看所有用户的信息，并自行决定小组个数，进行分组；用户个人登录后进入用户主页，可以查看个人基本信息，并填写问卷调查表。
具体地，可以接收前端传入的各个待分组人员的学习风格问卷调查表和个人基本信息，得到各个待分组人员的多维学习风格指数值并将各个待分组人员的多维学习风格指数值和个人基本信息存储在本地；可以接收前端发送的目标分组请求，该目标分组请求可以包括：各个待分组人员的个人基本信息，个人基本信息可以包括：人员唯一编号，如身份证号或手机号等；根据个人基本信息从分组装置本地获得各个待分组人员的多维学习风格指数值。
本申请实施例中还提供了一种分组装置，如下面的实施例所述。由于该装置解决问题的原理与分组方法相似，因此该装置的实施可以参见分组方法的实施，重复之处不再赘述。
参见图5，在本申请一个实施例中，所述的分组装置包括：
获取模块51，用于获取多个待分组人员的多维学习风格指数值；
确定模块52，用于根据各个待分组人员的多维学习风格指数值，确定多组协作小组的组长；
分组模块53，用于根据遗传算法的适应度函数、各个待分组人员的多维学习风格指数值以及每组协作小组的组长进行分组，确定各组协作小组的成员。
在本申请一个实施例中，所述确定模块包括：
排序单元，用于依据各个待分组人员的主动型维度的学习风格指数值的大小对所有待分组人员进行排序，将排名在前预设位数的待分组人员分别确定为组长。
本申请实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述分组方法。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述分组方法。
本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述分组方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请的具体实施例而已，并不用于限定本申请的保护范围，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种分组方法，其特征在于，包括：
获取多个待分组人员的多维学习风格指数值；
根据各个待分组人员的多维学习风格指数值，确定多组协作小组的组长；
根据遗传算法的适应度函数、各个待分组人员的多维学习风格指数值以及每组协作小组的组长进行分组，确定各组协作小组的成员。
2.根据权利要求1所述的分组方法，其特征在于，所述根据各个待分组人员的多维学习风格指数值，确定多组协作小组的组长包括：
依据各个待分组人员的主动型维度的学习风格指数值的大小对所有待分组人员进行排序，将排名在前预设位数的待分组人员分别确定为组长。
3.根据权利要求1所述的分组方法，其特征在于，所述根据遗传算法的适应度函数、各个待分组人员的多维学习风格指数值以及每组协作小组的组长进行分组，确定各组协作小组的成员，包括：
根据遗传算法的适应度函数、各个待分组人员的多维学习风格指数值以及每组协作小组的组长进行分组，确定最佳分组结果；
其中，所述最佳分组结果包括：各个协作小组以及各个协作小组中的组长和成员，所述最佳分组结果中的每两个协作小组之间的差异值均小于组间差异值阈值，组内的差异值大于组内差异值阈值。
4.根据权利要求1所述的分组方法，其特征在于，在所述获取多个待分组人员的多维学习风格指数值之前还包括：
获取各个待分组人员的学习风格问卷调查表图像；
应用预设的文字识别模型和各个待分组人员的学习风格问卷调查表图像，得到各个待分组人员的多维学习风格指数值并存储在本地。
5.根据权利要求1所述的分组方法，其特征在于，在所述获取多个待分组人员的多维学习风格指数值之前还包括：
接收前端传入的各个待分组人员的学习风格问卷调查表，得到各个待分组人员的多维学习风格指数值并存储在本地。
6.一种分组装置，其特征在于，包括：
获取模块，用于获取多个待分组人员的多维学习风格指数值；
确定模块，用于根据各个待分组人员的多维学习风格指数值，确定多组协作小组的组长；
分组模块，用于根据遗传算法的适应度函数、各个待分组人员的多维学习风格指数值以及每组协作小组的组长进行分组，确定各组协作小组的成员。
7.根据权利要求6所述的分组装置，其特征在于，所述确定模块包括：
排序单元，用于依据各个待分组人员的主动型维度的学习风格指数值的大小对所有待分组人员进行排序，将排名在前预设位数的待分组人员分别确定为组长。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5任一项所述分组方法。
9.一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存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至5任一所述分组方法。
10.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至5任一项所述分组方法。
CN202211517002.9A 2022-11-29 2022-11-29 分组方法及装置 Pending CN115759679A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211517002.9A CN115759679A (zh) 2022-11-29 2022-11-29 分组方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211517002.9A CN115759679A (zh) 2022-11-29 2022-11-29 分组方法及装置

Publications (1)

Publication Number Publication Date
CN115759679A true CN115759679A (zh) 2023-03-07

Family

ID=85341417

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211517002.9A Pending CN115759679A (zh) 2022-11-29 2022-11-29 分组方法及装置

Country Status (1)

Country Link
CN (1) CN115759679A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116362524A (zh) * 2023-06-01 2023-06-30 湖南师范大学 基于角色协同的协作学习小组构建方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116362524A (zh) * 2023-06-01 2023-06-30 湖南师范大学 基于角色协同的协作学习小组构建方法及装置
CN116362524B (zh) * 2023-06-01 2023-08-15 湖南师范大学 基于角色协同的协作学习小组构建方法及装置

Similar Documents

Publication Publication Date Title
JP7299320B2 (ja) 推薦方法と装置、コンピューティング装置、及びプログラム
Chen et al. Pairwise ranking aggregation in a crowdsourced setting
CN104866578B (zh) 一种不完整物联网数据混合填充方法
CN107818105A (zh) 应用程序的推荐方法及服务器
CN111275491A (zh) 一种数据处理方法及装置
CN108197561B (zh) 人脸识别模型优化控制方法、装置、设备及存储介质
Chanti et al. Improving bag-of-visual-words towards effective facial expressive image classification
CN111815432B (zh) 金融服务风险预测方法及装置
CN113283238B (zh) 文本数据处理的方法和装置、电子设备和存储介质
CN111737558A (zh) 一种资讯推荐方法、装置及计算机可读存储介质
CN115759679A (zh) 分组方法及装置
CN111860101A (zh) 一种人脸关键点检测模型的训练方法及装置
Capece et al. Implementation of a coin recognition system for mobile devices with deep learning
CN113656699B (zh) 用户特征向量确定方法、相关设备及介质
CN109977977B (zh) 一种识别潜在用户的方法及对应装置
CN109919793A (zh) 活动参与分析及推荐方法
CN111241550B (zh) 基于二进制映射和深度学习的漏洞检测方法
Ariu et al. Regret in online recommendation systems
CN111949786A (zh) 智能问答模型优化方法及装置
CN111966921A (zh) 一种基于用户场景的社群识别方法及系统
CN109933741B (zh) 用户网络行为特征提取方法、装置及存储介质
CN116226354A (zh) 一种问答信息的确定方法及装置
CN111984842B (zh) 银行客户数据处理方法及装置
CN109660676A (zh) 异常对象的识别方法、装置及设备
CN112115991B (zh) 移动终端换机预测方法、装置、设备及可读存储介质

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