CN115841402B - 一种针对安全生产的数字化培训方法、系统、介质及设备 - Google Patents
一种针对安全生产的数字化培训方法、系统、介质及设备 Download PDFInfo
- Publication number
- CN115841402B CN115841402B CN202211484784.0A CN202211484784A CN115841402B CN 115841402 B CN115841402 B CN 115841402B CN 202211484784 A CN202211484784 A CN 202211484784A CN 115841402 B CN115841402 B CN 115841402B
- Authority
- CN
- China
- Prior art keywords
- learning
- course
- related information
- student
- historical
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000012549 training Methods 0.000 title claims abstract description 59
- 230000008569 process Effects 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims description 35
- 238000001914 filtration Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 16
- 238000005516 engineering process Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 description 20
- 238000004364 calculation method Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 208000001613 Gambling Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000036626 alertness Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000001546 nitrifying effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明属于安全生成领域，尤其涉及一种针对安全生产的数字化培训方法、系统、介质及设备。该方法包括：通过预设的数字化安全生产学习资源分别为每个预设学员分配学习内容；记录每个学员在学习过程中的课程相关信息；基于任一课程相关信息判断所述数字化安全生产学习资源中的该课程相关信息对应的课程内容是否进行更新，若判断结果为是则进行更新，直至完成所有课程相关信息的判断。通过本发明能够达到利用AI技术促进安全生产方面数字化教育资源建设，赋能教育和学习过程，通过预设学习资源的方式提高数字化学习效能，提升学习者的主动安全意识、意愿，达成深度教与学，此外，通过不断的对学习资源的更新也可以进一步提升培训的意义的效果。
Description
技术领域
本发明属于安全生成领域，尤其涉及一种针对安全生产的数字化培训方法、系统、介质及设备。
背景技术
现有的安全生产培训系统都是通过固定课程，学员按顺序先进行课程学习，学习完成后考试，绝大部分的精力用在安全知识上学习和考核上，对安全意识的培养不够重视，学员被动的接受学习，而且课程内容更新较慢，没有很好的课程质量反馈机制。
发明内容
本发明所要解决的技术问题是提供一种针对安全生产的数字化培训方法、系统、介质及设备。
本发明解决上述技术问题的技术方案如下：一种针对安全生产的数字化培训方法，包括：
步骤1，通过预设的数字化安全生产学习资源分别为每个预设学员分配学习内容；
步骤2，记录每个学员在学习过程中的课程相关信息；
步骤3，基于任一课程相关信息判断所述数字化安全生产学习资源中的该课程相关信息对应的课程内容是否进行更新，若判断结果为是则进行更新，直至完成所有课程相关信息的判断。
本发明的有益效果是：利用AI技术促进安全生产方面数字化教育资源建设，赋能教育和学习过程，通过预设学习资源的方式提高数字化学习效能，提升学习者的主动安全意识、意愿，达成深度教与学，此外，通过不断的对学习资源的更新也可以进一步提升培训的意义。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述预设的数字化安全生产学习资源包括：基于视频资源以及安全生产题库构建个性化安全知识学习路径，所述个性化安全知识学习路径包括：学习课程、学习时长、习题以及考试。
进一步，所述分别为每个预设学员分配学习内容具体过程为：
获取任一学员的第一历史学习数据，若该学员为首次学习，则根据学员选定的个性化安全知识学习路径为该学员分配学习内容，所述第一历史学习上数据包括学习课程的名称；
若该学员非首次学习，则获取该学员的第一历史学习数据，并调取与该学员基础信息相同的多个学员的第二历史学习数据，通过协同过滤推荐方法，计算第一历史学习数据与任一第二历史学习数据的相似度，将相似度降序排列，选取第一预设数量的第二历史学习数据，并调取被选取的第二历史学习数据中每个学习课程的评分，通过相似度计算每个学习课程的预测评分，将预测评分降序排列，选取第二预设数量的学习课程，将选取的学习课程对应的个性化安全知识学习路径作为该学员的学习内容进行分配。
进一步，所述课程相关信息包括：
学习课程的评分以及评价。
进一步，还包括：
步骤5，通过课程相关信息进行学习资源评价的分析模型的训练，得到训练好的分析模型，将所有课程相关信息输入至训练好的分析模型，得到每个学习课程对应的分析评分结果，根据每个学习课程的学习情况，对每个学习课程进行指标打分，得到打分结果，基于所述分析评分结果、所述打分结果以及课程相关信息中的学习课程的评分对学习课程进行星级评价，基于星级评价结果对学习课程进行调整更新，所述学习情况包括点击量、完成率以及学习进度。
本发明解决上述技术问题的另一种技术方案如下：一种针对安全生产的数字化培训系统，包括：
分配模块用于：通过预设的数字化安全生产学习资源分别为每个预设学员分配学习内容；
记录模块用于：记录每个学员在学习过程中的课程相关信息；
更新模块用于：基于任一课程相关信息判断所述数字化安全生产学习资源中的该课程相关信息对应的课程内容是否进行更新，若判断结果为是则进行更新，直至完成所有课程相关信息的判断。
本发明的有益效果是：利用AI技术促进安全生产方面数字化教育资源建设，赋能教育和学习过程，通过预设学习资源的方式提高数字化学习效能，提升学习者的主动安全意识、意愿，达成深度教与学，此外，通过不断的对学习资源的更新也可以进一步提升培训的意义。
进一步，所述预设的数字化安全生产学习资源包括：基于视频资源以及安全生产题库构建个性化安全知识学习路径，所述个性化安全知识学习路径包括：学习课程、学习时长、习题以及考试。
进一步，所述分别为每个预设学员分配学习内容具体过程为：
获取任一学员的第一历史学习数据，若该学员为首次学习，则根据学员选定的个性化安全知识学习路径为该学员分配学习内容，所述第一历史学习上数据包括学习课程的名称；
若该学员非首次学习，则获取该学员的第一历史学习数据，并调取与该学员基础信息相同的多个学员的第二历史学习数据，通过协同过滤推荐方法，计算第一历史学习数据与任一第二历史学习数据的相似度，将相似度降序排列，选取第一预设数量的第二历史学习数据，并调取被选取的第二历史学习数据中每个学习课程的评分，通过相似度计算每个学习课程的预测评分，将预测评分降序排列，选取第二预设数量的学习课程，将选取的学习课程对应的个性化安全知识学习路径作为该学员的学习内容进行分配。
进一步，所述课程相关信息包括：
学习课程的评分以及评价。
进一步，还包括：
调整模块用于：通过课程相关信息进行学习资源评价的分析模型的训练，得到训练好的分析模型，将所有课程相关信息输入至训练好的分析模型，得到每个学习课程对应的分析评分结果，根据每个学习课程的学习情况，对每个学习课程进行指标打分，得到打分结果，基于所述分析评分结果、所述打分结果以及课程相关信息中的学习课程的评分对学习课程进行星级评价，基于星级评价结果对学习课程进行调整更新，所述学习情况包括点击量、完成率以及学习进度。
本发明解决上述技术问题的另一种技术方案如下：一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上述任一项所述的方法。
本发明的有益效果是：利用AI技术促进安全生产方面数字化教育资源建设，赋能教育和学习过程，通过预设学习资源的方式提高数字化学习效能，提升学习者的主动安全意识、意愿，达成深度教与学，此外，通过不断的对学习资源的更新也可以进一步提升培训的意义。
本发明解决上述技术问题的另一种技术方案如下：一种电子设备，包括上述存储介质、执行上述存储介质内的指令的处理器。
本发明的有益效果是：利用AI技术促进安全生产方面数字化教育资源建设，赋能教育和学习过程，通过预设学习资源的方式提高数字化学习效能，提升学习者的主动安全意识、意愿，达成深度教与学，此外，通过不断的对学习资源的更新也可以进一步提升培训的意义。
附图说明
图1为本发明一种针对安全生产的数字化培训方法实施例提供的流程示意图；
图2为本发明一种针对安全生产的数字化培训系统实施例提供的结构框架图；
图3为本发明一种针对安全生产的数字化培训方法实施例提供的思路导图；
图4为本发明一种针对安全生产的数字化培训方法实施例提供的完整流程示意图；
图5为本发明一种针对安全生产的数字化培训方法实施例提供的学习平台中模块关系示意图。
具体实施方式
以下对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，一种针对安全生产的数字化培训方法，包括：
步骤1，通过预设的数字化安全生产学习资源分别为每个预设学员分配学习内容；
步骤2，记录每个学员在学习过程中的课程相关信息；
步骤3，基于任一课程相关信息判断所述数字化安全生产学习资源中的该课程相关信息对应的课程内容是否进行更新，若判断结果为是则进行更新，直至完成所有课程相关信息的判断。
在一些可能的实施方式中，利用AI技术促进安全生产方面数字化教育资源建设，赋能教育和学习过程，通过预设学习资源的方式提高数字化学习效能，提升学习者的主动安全意识、意愿，达成深度教与学，此外，通过不断的对学习资源的更新也可以进一步提升培训的意义。
需要说明的是，先对部分名词进行如下解释以便于后续的理解：
安全知识就是人们面对风险时，知道该怎么做，包括安全规程、安全制度、安全常识等等。
安全意识指的是在人们思想意识中对于安全的认识，就是人们头脑中建立起来的生产必须安全的观念。人们在生产活动中，对各种各样可能对自己或他人造成伤害的外在环境条件的一种戒备和警觉的心理状态。
安全意愿指学员履行安全生产职责，实现安全生产的意志和愿望，安全意识停留在思想上，而安全意愿不仅仅是在思想上，同时还在心理上主动地去追求。
安全三法则：安全知识胜于安全设施，安全意识强于安全知识，安全意愿优于安全意识。
安全知识重要，安全意识更重要。当员工有了安全意识，就会学习安全知识，就会有安全保障。安全意愿是安全意识的前提和基础。安全管理要从员工的安全意愿入手，用意愿强化意识，用意识保证安全。
如图3所示，搭建数字化安全生产学习资源建设平台(其中包括但不仅限于音视频资料、图文内容以及题库)，构建个性化安全生产知识学习路径，通过用户或待学习人员的基础情况，在数字化安全生产学习资源建设平台上基于个性化安全生产知识学习路径进行学习，并根据用户给出的评分或评语或学习过程中选择的课程或课程完成率等内容结合数字化学习资源质量分析方法或结合AI安全生产知识推荐系统对数字化安全生产学习资源建设平台或个性化安全生产知识学习路径进行优化或更新。对用户或待学习人员的安全意识以及意愿评估，完成培训任务。
搭建过程如下：通过该平台构建高质量的数字化安全生产学习资源，高质量的数字化安全生产学习资源是安全意识培养计划的核心，制作针对风险特定内容的微课程学习模块，以帮助加强安全意识行为，可以应用互动式、游戏化的技术场景，根据学员的角色和职责设计组织有趣、共鸣的培训内容。定期根据学习资源评分更新学习资源，保证学习资源的质量。
其中，制作微课程学习模块的过程为：选定要制作的主题；根据主题，通过互联网收集相关的案例；根据各个案例分析案例发生的原因进行分析，找出操作不规范的知识点，以及遇到类似的情况正确操作方式；分析该主题设计到的知识点，找到相关知识点的讲解内容；根据知识点涉及的内容，进行试题的设计；根据以上内容，形成课程策划内容，制定课程录制计划；根据课程策划录制课程内容；课程录制完成后进行后期制作，视频剪辑、片头片尾等处理；最后将课程上传到数字化安全生产学习资源建设平台；将课程设置到学习平台，学员可通过学习平台进行课程学习。
风险特定内容可以理解为：要制作《危险化学品企业事故案例》的课程，收集到《某化工有限公司“3.21”特别重大爆炸事故》，《某石化有限公司“6.5”罐车泄露重大爆炸着火事故》；分析事故原因是由于某公司无视国家环境保护和安全生产法律法规，长期违法违规贮存、处置硝化废料，企业管理混乱；分析到涉及到的知识有安全生产法律法规，硝化废料处置方法等；根据这些内容设计课程教学大纲和试题；形成课程策划后，录制课程，课程录制成功后上传到学习资源平台，最终学员学习该课程，并参加练习和考试。
定期根据学习资源评分更新学习资源，保证学习资源的质量的具体过程为：
在模块【数字化学习资源质量分析方法】中，每个资源的评分都会记录到关系型数据库PostgreSQL中，资源制作部门人员每月按照资源评分排名，挑选出评分最低的一部分资源，人工复查，并提出资源的改进方案，重新制作资源，制作好新的资源后，将原有资源停用，制作新的资源，并上传新的资源到资源建设平台，提供API的调用方式，供学习平台使用。
个性化安全生产知识学习路径具体为：学习内容包括必须课，选修课，练习，考试，推荐内容(视频，图文，题目)等，这些内容组成了安全意识培养学习计划，学习计划的制定需要学员充分参与，才能极大地增加学员的学习意愿与动力。最终达到学员通过学习后，提升自己的主动安全意识、意愿，最终可以改变其行为。管理员设置好课程学习周期后，学员可根据学习内容，在规定的学习周期内，设置自己的学习计划，包括每天学习时长、每天学习时间段、练习以及考试的时间、针对推荐的学习内容，可以自定义推荐频率、推荐数量。
数字化安全生产学习资源建设平台功能上实现对安全生产学习与培训的管理，主要包括在线学习模块，练习/考试模块，问卷模块，评价模块，积分与激励模块，培训管理以及分析评估等模块。
如图5所示，对于对安全生产学习与培训的管理可以理解为：管理员登录学习平台后台管理创建培训计划(设定培训课程，例如：《煤矿(地下)班组长安全生产培训课程(岗前)》)，根据培训计划创建培训班级，添加培训任务到班级(在线课程，考试)，选取学员加入班级，设定开班时间。学员在开班时间，登录到学习平台，进行课程任务的学习与考试，考试通过后颁发学习证书。
学习模块：学员登录学习平台后，可以观看视频课程，进行学习，学习过程记录通过API方式的存储到后台，通过消息中间件Kafka，最终将学习记录保存到关系型数据库中，学员每学完一个视频课程，将该视频相应的积分累加到学员的总积分中，并存储在关系型数据库中。
练习/考试模块：学员在学习过程中，可以针对课程的内容相应的知识，通过练习题目的作答，加深课程知识的学习效果；课程学习完成后，参加考试，成绩达到预先设置的及格分数后，则学员完成该课程的整体学习计划。练习/考试的作答记录与成绩，也相应生成学习记录保存到系统中，保存方式与学习模块中的方式一致。
问卷模块：问卷作为最终计算安全意识、意愿得分的一项重要指标，可以由管理员配置问卷的填写时间，学员登录平台后，根据相应的配置进行问卷的填写，最终结果保存到关系型数据库PostgreSQL。
评价模块：学员对学习资源的评价，分为主观评价与客观评价，主观评价学员可以输入评价内容，客观评价为星级评价，评价结果会保存到关系型数据库PostgreSQL。
积分与激励模块：由管理员提前设定好积分规则，学员在学习平台中参与的学习过程都会按照规则获得一定数额的积分，积分积累到一定额度时，可以使用积分兑换系统中的学习资源。
培训管理：管理员通过培训管理模块，创建培训计划，将对应的培训资源设置到该培训计划中，再选定培训学员范围。学员登录学习平台后，进行学习。
分析评估：管理员通过该模块可以查看系统的统计数据，例如学员的学习进度，学员的安全意识、意愿评分，学习资源的使用情况。该模块数据来源于其他各个模块中的数据汇总。
需注意，上述几个部分为举例内容，在实际应用中可根据现实情况对其进行适应性修改。
关于安全意识、意愿评估方法的具体解释如下：
通过学员问卷调查，学习过程数据(学习时长，学习频次)，练习/考试的作答成绩，系统积分。通过不同的计算指标，最终得出学员当前的安全意识、意愿得分
根据管理员配置，问卷调查模块可以灵活展示在学习平台，例如：管理员配置学员首次登录学习平台，需要完成一次问卷调查；或者设置为每周需要完成一次问卷调查的填写，那么学员每次登录学习平台，则根据配置的规则，是否显示问卷调查。
学习过程数据，则存在于整个学员在学习平台的操作，例如：单位时间周期(一个月)学员在平台看视频的总时长，单位时间周期(一个月)内学习的频次；练习/考试成绩的平均分，学习平台的系统积分(积分规则可以预先设定，例如：登录一次积1分，每天最多积3分；看一小时视频资源积5分，每天最多积10分；)
计算学员的安全意识、意愿得分具体为：
采用加权平均来计算学员的安全意识、意愿得分。
计算公式：
公式说明：y为学员当前的安全意识、意愿得分，n为计算项数，x为计算项，f为计算项的权重
举例：
A企业设置评分权重为：调查问卷50％，学习过程数据30％，练习/考试成绩的平均分10％，系统积分10％。
学员张三在8月份各项分数为：调查问卷得分60，学习过程数据得分70，练习/考试成绩的平均分为65，系统积分为120。
该学员最终的
关于AI安全生产知识推荐系统：基于用户的协同过滤推荐，通过对用户的岗位，工龄，学习数据，构建出用户和课程内容的评分矩阵，计算出用户和课程内容的相似度，选出相似度最高的N个用户，根据相似用户的数据预测目标用户对课程内容的得分，根据得分排序推荐学习内容。
协同过滤推荐方法为现有技术，协同过滤简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息，个人通过合作的机制给予信息相当程度的回应(如评分)并记录下来以达到过滤的目的进而帮助别人筛选信息，回应不一定局限于特别感兴趣的，特别不感兴趣信息的纪录也相当重要。
协同过滤又可分为评比(rating)或者群体过滤(social filtering)协同过滤以其出色的速度和健壮性，在全球互联网领域炙手可热。
以用户为基础(User-based)的协同过滤
用相似统计的方法得到具有相似爱好或者兴趣的相邻用户，所以称之为以用户为基础(User-based)的协同过滤或基于邻居的协同过滤(Neighbor-based CollaborativeFiltering)。方法步骤：
1.收集用户信息
收集可以代表用户兴趣的信息。一般的网站系统使用评分的方式或是给予评价，这种方式被称为“主动评分”。另外一种是“被动评分”，是根据用户的行为模式由系统代替用户完成评价，不需要用户直接打分或输入评价数据。电子商务网站在被动评分的数据获取上有其优势，用户购买的商品记录是相当有用的数据。
2.最近邻搜索(Nearest neighbor search,NNS)
以用户为基础(User-based)的协同过滤的出发点是与用户兴趣爱好相同的另一组用户，就是计算两个用户的相似度。例如：查找n个和A有相似兴趣用户，把他们对M的评分作为A对M的评分预测。一般会根据数据的不同选择不同的算法，较多使用的相似度算法有Pearson Correlation Coefficient、Cosine-based Similarity、Adjusted CosineSimilarity。
3.产生推荐结果
有了最近邻集合，就可以对目标用户的兴趣进行预测，产生推荐结果。依据推荐目的的不同进行不同形式的推荐，较常见的推荐结果有Top-N推荐和关系推荐。Top-N推荐是针对个体用户产生，对每个人产生不一样的结果，例如：通过对A用户的最近邻用户进行统计，选择出现频率高且在A用户的评分项目中不存在的，作为推荐结果。关系推荐是对最近邻用户的记录进行关系规则(association rules)挖掘。
构建出用户和课程内容的评分矩阵的过程可以为：
例如：给用户张三推荐学习内容，步骤如下
根据用户岗位、工龄在数据库中查询用户列表，并列出用户已学习完的课程。
张三课程1，课程2，课程3；
李四课程2，课程5，课程6，课程8，课程38；
王五课程1，课程2，课程3，课程8，课程10；
赵六课程1，课程3，课程5，课程8，课程25，课程36；
孙七课程81，课程82。
计算用户和课程内容的相似度可以参考如下示例：
1)通过计算Jaccard系数，得出张三与其他用户的相识度，计算结果如下：
张三与李四的Jaccard相似度：0.14285714285714285
张三与王五的Jaccard相似度：0.6
张三与赵六的Jaccard相似度：0.2857142857142857
张三与孙七的Jaccard相似度：0.0
2)按照相似度从高到底排序，取前n(n＝3)个用户，即为王五，赵六，李四三人
关于Jaccard系数说明：
Jaccard相似系数(Jaccard similarity coefficient)用于比较有限样本集之间的相似性与差异性。Jaccard系数值越大，样本相似度越高。
公式定义：给定两个集合A,B，Jaccard系数定义为A与B交集的大小与A与B并集的大小的比值。
最后，关于预测部分：
1)通过用户王五，赵六，李四三人的课程集合去重后，再去掉用户张三已学过的课程，最终得出课程为：课程5，课程6，课程8，课程10，课程25，课程36，课程38
计算过程示意：
张三课程1，课程2，课程3
李四课程2，课程5，课程6，课程8，课程38
王五课程1，课程2，课程3，课程8，课程10
赵六课程1，课程3，课程5，课程8，课程25，课程36
2)通过数据库查询用户对于这些课程的评分
表1
| 课程5 | 课程6 | 课程8 | 课程10 | 课程25 | 课程36 | 课程38 | |
| 王五 | 无 | 无 | 70 | 80 | 无 | 无 | 无 |
| 赵六 | 80 | 无 | 90 | 无 | 90 | 40 | 无 |
| 李四 | 70 | 80 | 60 | 无 | 无 | 无 | 90 |
3)通过公式预测用户张三对于这些课程的评分
公式：P(A,x)＝J(A,B)*f(B,x)+J(A,C)*f(C,x)+…+J(A,N)*f(N,x)
P(A,x)为用户A对于课程x的预测分数，J(A,B)为用户A与用户B的相似度，f(B,x)为用户B对于课程x的评分
根据该公式计算张三对于课程的预测评分为：
表2
4)根据预测分数排序，去前n(n＝3)门课程推荐给用户张三，最终用户推荐给用户张三的三门课程为：课程8，课程10，课程5。
关于数字化学习资源质量分析方法
主要通过以下三方面的指标项得分做加权计算后得出最终的质量评分。
1、根据用户评价作为数据集，以向量机(SVM)作为技术支持，采用python开源的SnowNLP库，训练出针对学习资源评价的分析模型，使用word2vec产生词向量，实现数字化学习资源的评分方法。
2、根据资源学习情况(点击量，完成率，学习进度)等指标体系计算得出的评分。
3、用户对学习资源的星级评分，1星到5星，每星按照20分作为该项的评分依据，例如用户给视频一个3.5星的评分，那么该视频该项的得分为3.5*20＝70分。
多个用户的评分，最终取平均值作为该资源的星级评分得分。
训练评价分析模型的具体过程可以为：用户评价都保存再关系型数据库PostgreSQL中，导出1万条评价数据，由人工标分拣正向和负向的信息，作为训练的语料库，通过SnowNLP库的sentiment类，传入正向和负向的语料库，调用train方法进行训练，调用save方法将训练结果保存为新模型，最后使用新模型替换SnowNLP库的模型。
关于获取资源学习情况：学员在学习过程中的数据，例如视频观看，在视频点击进入时、播放完成时，以及播放进度，都会实时通过API的方式保存到关系型数据库中，后台根据定义的指标计算方式实时计算出该视频的学习情况。
指标定义如下：
点击量：资源每点击一次，累加一次，同一学员对同一学习资源点击量只累计一次。
完成率：学员完整的学习完一个资源，累计完成一次，完成率公式为：总完成次数/总点击量＝完成率，该项指标的最终得分为完成率*100，即该资源的完成率80％，那么该资源的完成率得分为80分。
学习进度：根据用户完成该资源进度的百分比进行计算，例如一个视频100分钟，某学员观看了10分钟，那么该学员对于该视频的学习进度为10％。可预先按照学习进度区间设定规则，小于10％的分数为0分,10％-40％为2分，40％-80％为5分，80％-95％为8分，95％-100％为10分。
根据资源学习情况计算资源评分即为将资源学习情况中的指标分数累加求和。
关于计算资源最终评分部分：以上三个指标项，由于指标度量单位不一致，所以需要首先对指标数据进行数据标准化处理，目前采用反正切函数做归一化处理，处理后的数据区间为[0，1]，公式如下：x’＝atan(x)*(2/pi)
指标权重可以设置，评价评分占比40％，学习评分占比50％，星级评分占比10％
计算样例：
表3
优选地，在上述任意实施例中，所述预设的数字化安全生产学习资源包括：基于视频资源以及安全生产题库构建个性化安全知识学习路径，所述个性化安全知识学习路径包括：学习课程、学习时长、习题以及考试。
优选地，在上述任意实施例中，所述分别为每个预设学员分配学习内容具体过程为具体过程为：
获取任一学员的第一历史学习数据，若该学员为首次学习，则根据学员选定的个性化安全知识学习路径为该学员分配学习内容；
若该学员非首次学习，则获取该学员的第一历史学习数据，并调取与该学员基础信息相同的多个学员的第二历史学习数据，通过协同过滤推荐方法，计算第一历史学习数据与任一第二历史学习数据的相似度，将相似度降序排列，选取第一预设数量的第二历史学习数据，并调取被选取的第二历史学习数据中每个学习课程的评分，通过相似度计算每个学习课程的预测评分，将预测评分降序排列，选取第二预设数量的学习课程，将选取的学习课程对应的个性化安全知识学习路径作为该学员的学习内容进行分配。
优选地，在上述任意实施例中，所述课程相关信息包括：
学习课程的评分以及评价。
优选地，在上述任意实施例中，还包括：
步骤5，通过历史课程相关信息进行学习资源评价的分析模型的训练，得到训练好的分析模型，将所有课程相关信息输入至训练好的分析模型，得到每个学习课程对应的分析评分结果，根据每个学习课程的学习情况，对每个学习课程进行指标打分，得到打分结果，基于所述分析评分结果、所述打分结果以及课程相关信息中的学习课程的评分对学习课程进行星级评价，基于星级评价结果对学习课程进行调整更新，所述学习情况包括点击量、完成率以及学习进度。
如图2所示，一种针对安全生产的数字化培训系统，包括：
分配模块100用于：通过预设的数字化安全生产学习资源分别为每个预设学员分配学习内容；
记录模块200用于：记录每个学员在学习过程中的课程相关信息；
更新模块300用于：基于任一课程相关信息判断所述数字化安全生产学习资源中的该课程相关信息对应的课程内容是否进行更新，若判断结果为是则进行更新，直至完成所有课程相关信息的判断。
在一些可能的实施方式中，利用AI技术促进安全生产方面数字化教育资源建设，赋能教育和学习过程，通过预设学习资源的方式提高数字化学习效能，提升学习者的主动安全意识、意愿，达成深度教与学，此外，通过不断的对学习资源的更新也可以进一步提升培训的意义。
优选地，在上述任意实施例中，所述预设的数字化安全生产学习资源包括：基于视频资源以及安全生产题库构建个性化安全知识学习路径，所述个性化安全知识学习路径包括：学习课程、学习时长、习题以及考试。
优选地，在上述任意实施例中，所述分别为每个预设学员分配学习内容具体过程为：
获取任一学员的第一历史学习数据，若该学员为首次学习，则根据学员选定的个性化安全知识学习路径为该学员分配学习内容；
若该学员非首次学习，则获取该学员的第一历史学习数据，并调取与该学员基础信息相同的多个学员的第二历史学习数据，通过协同过滤推荐方法，计算第一历史学习数据与任一第二历史学习数据的相似度，将相似度降序排列，选取第一预设数量的第二历史学习数据，并调取被选取的第二历史学习数据中每个学习课程的评分，通过相似度计算每个学习课程的预测评分，将预测评分降序排列，选取第二预设数量的学习课程，将选取的学习课程对应的个性化安全知识学习路径作为该学员的学习内容进行分配。
优选地，在上述任意实施例中，所述课程相关信息包括：
学习课程的评分以及评价。
优选地，在上述任意实施例中，还包括：
调整模块用于：通过历史课程相关信息进行学习资源评价的分析模型的训练，得到训练好的分析模型，将所有课程相关信息输入至训练好的分析模型，得到每个学习课程对应的分析评分结果，根据每个学习课程的学习情况，对每个学习课程进行指标打分，得到打分结果，基于所述分析评分结果、所述打分结果以及课程相关信息中的学习课程的评分对学习课程进行星级评价，基于星级评价结果对学习课程进行调整更新，所述学习情况包括点击量、完成率以及学习进度。
本发明解决上述技术问题的另一种技术方案如下：一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上述任一项所述的方法。
在一些可能的实施方式中，利用AI技术促进安全生产方面数字化教育资源建设，赋能教育和学习过程，通过预设学习资源的方式提高数字化学习效能，提升学习者的主动安全意识、意愿，达成深度教与学，此外，通过不断的对学习资源的更新也可以进一步提升培训的意义。
本发明解决上述技术问题的另一种技术方案如下：一种电子设备，包括上述存储介质、执行上述存储介质内的指令的处理器。
在一些可能的实施方式中，利用AI技术促进安全生产方面数字化教育资源建设，赋能教育和学习过程，通过预设学习资源的方式提高数字化学习效能，提升学习者的主动安全意识、意愿，达成深度教与学，此外，通过不断的对学习资源的更新也可以进一步提升培训的意义。
读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
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，可以通过其它的方式实现。例如，以上所描述的方法实施例仅仅是示意性的，例如，步骤的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个步骤可以结合或者可以集成到另一个步骤，或一些特征可以忽略，或不执行。
上述方法如果以软件功能单元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，或者该技术方案的全部或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，服务器，或者网络设备等)执行本发明各个实施例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-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种针对安全生产的数字化培训方法，其特征在于，包括：
步骤1，通过预设的数字化安全生产学习资源分别为每个预设学员分配学习内容；
步骤2，记录每个学员在学习过程中的课程相关信息；
步骤3，基于任一课程相关信息判断所述数字化安全生产学习资源中的该课程相关信息对应的课程内容是否进行更新，若判断结果为是则进行更新，直至完成所有课程相关信息的判断；
所述预设的数字化安全生产学习资源包括：基于视频资源以及安全生产题库构建个性化安全知识学习路径，所述个性化安全知识学习路径包括：学习课程、学习时长、习题以及考试；
所述分别为每个预设学员分配学习内容具体过程为：
获取任一学员的第一历史学习数据，若该学员为首次学习，则根据学员选定的个性化安全知识学习路径为该学员分配学习内容，所述第一历史学习数据包括学习课程的名称；
若该学员非首次学习，则获取该学员的第一历史学习数据，并调取与该学员基础信息相同的多个学员的第二历史学习数据，通过协同过滤推荐方法，计算第一历史学习数据与任一第二历史学习数据的相似度，将相似度降序排列，选取第一预设数量的第二历史学习数据，并调取被选取的第二历史学习数据中每个学习课程的评分，通过相似度计算每个学习课程的预测评分，将预测评分降序排列，选取第二预设数量的学习课程，将选取的学习课程对应的个性化安全知识学习路径作为该学员的学习内容进行分配。
2.根据权利要求1所述的一种针对安全生产的数字化培训方法，其特征在于，所述课程相关信息包括：
学习课程的评分以及评价。
3.根据权利要求2所述的一种针对安全生产的数字化培训方法，其特征在于，还包括：
步骤5，通过课程相关信息进行学习资源评价的分析模型的训练，得到训练好的分析模型，将所有课程相关信息输入至训练好的分析模型，得到每个学习课程对应的分析评分结果，根据每个学习课程的学习情况，对每个学习课程进行指标打分，得到打分结果，基于所述分析评分结果、所述打分结果以及课程相关信息中的学习课程的评分对学习课程进行星级评价，基于星级评价结果对学习课程进行调整更新，所述学习情况包括点击量、完成率以及学习进度。
4.一种针对安全生产的数字化培训系统，其特征在于，包括：
分配模块用于：通过预设的数字化安全生产学习资源分别为每个预设学员分配学习内容；
记录模块用于：记录每个学员在学习过程中的课程相关信息；
更新模块用于：基于任一课程相关信息判断所述数字化安全生产学习资源中的该课程相关信息对应的课程内容是否进行更新，若判断结果为是则进行更新，直至完成所有课程相关信息的判断；
所述预设的数字化安全生产学习资源包括：基于视频资源以及安全生产题库构建个性化安全知识学习路径，所述个性化安全知识学习路径包括：学习课程、学习时长、习题以及考试；
所述分别为每个预设学员分配学习内容具体过程为：
获取任一学员的第一历史学习数据，若该学员为首次学习，则根据学员选定的个性化安全知识学习路径为该学员分配学习内容，所述第一历史学习数据包括学习课程的名称；
若该学员非首次学习，则获取该学员的第一历史学习数据，并调取与该学员基础信息相同的多个学员的第二历史学习数据，通过协同过滤推荐方法，计算第一历史学习数据与任一第二历史学习数据的相似度，将相似度降序排列，选取第一预设数量的第二历史学习数据，并调取被选取的第二历史学习数据中每个学习课程的评分，通过相似度计算每个学习课程的预测评分，将预测评分降序排列，选取第二预设数量的学习课程，将选取的学习课程对应的个性化安全知识学习路径作为该学员的学习内容进行分配。
5.一种存储介质，其特征在于，所述介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如权利要求1至3中任一项所述的方法。
6.一种电子设备，其特征在于，包括权利要求5所述的存储介质、执行所述存储介质内的指令的处理器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211484784.0A CN115841402B (zh) | 2022-11-24 | 2022-11-24 | 一种针对安全生产的数字化培训方法、系统、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211484784.0A CN115841402B (zh) | 2022-11-24 | 2022-11-24 | 一种针对安全生产的数字化培训方法、系统、介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115841402A CN115841402A (zh) | 2023-03-24 |
| CN115841402B true CN115841402B (zh) | 2024-01-23 |
Family
ID=85577278
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211484784.0A Active CN115841402B (zh) | 2022-11-24 | 2022-11-24 | 一种针对安全生产的数字化培训方法、系统、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115841402B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116433433B (zh) * | 2023-05-06 | 2024-02-27 | 北京思想天下教育科技有限公司 | 一种基于大数据云平台的线上培训换课系统 |
| CN116312127B (zh) * | 2023-05-19 | 2023-07-28 | 南京禹步信息科技有限公司 | 基于vr技术的矿山沉浸式教育培训方法、终端及存储介质 |
| CN117057959A (zh) * | 2023-08-21 | 2023-11-14 | 武汉博晟安全技术股份有限公司 | 人机交互式安全培训方法及系统 |
| CN116957870B (zh) * | 2023-09-18 | 2023-12-22 | 山西美分钟信息科技有限公司 | 临床技能考核管理系统控制方法、装置、设备及介质 |
| CN117390401B (zh) * | 2023-12-05 | 2024-02-13 | 云南与同加科技有限公司 | 一种基于云平台的校园体育数字化管理系统和方法 |
| CN117786134B (zh) * | 2024-02-27 | 2024-05-10 | 自然语义(青岛)科技有限公司 | 中文语言教学视听平台多模态语料库及智能多维检索系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020218758A1 (ko) * | 2019-04-23 | 2020-10-29 | 주식회사 클래스큐브 | 학습자 맞춤형 교육 서비스를 제공하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
| CN112001656A (zh) * | 2020-09-01 | 2020-11-27 | 北京弘远博学科技有限公司 | 基于员工历史培训信息针对性进行培训课推荐的方法 |
| CN113516356A (zh) * | 2021-05-10 | 2021-10-19 | 国网河北省电力有限公司培训中心 | 一种基于数据化智能教育培训管理系统 |
| CN114898612A (zh) * | 2022-05-06 | 2022-08-12 | 广东博深咨询有限公司 | 一种智能化安全教育系统 |
| CN115146162A (zh) * | 2022-06-30 | 2022-10-04 | 武汉美和易思数字科技有限公司 | 一种在线课程推荐方法及系统 |
| CN115147060A (zh) * | 2021-08-26 | 2022-10-04 | 武汉国岳文化科技有限公司 | 一种在线学习平台系统 |
-
2022
- 2022-11-24 CN CN202211484784.0A patent/CN115841402B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020218758A1 (ko) * | 2019-04-23 | 2020-10-29 | 주식회사 클래스큐브 | 학습자 맞춤형 교육 서비스를 제공하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
| CN112001656A (zh) * | 2020-09-01 | 2020-11-27 | 北京弘远博学科技有限公司 | 基于员工历史培训信息针对性进行培训课推荐的方法 |
| CN113516356A (zh) * | 2021-05-10 | 2021-10-19 | 国网河北省电力有限公司培训中心 | 一种基于数据化智能教育培训管理系统 |
| CN115147060A (zh) * | 2021-08-26 | 2022-10-04 | 武汉国岳文化科技有限公司 | 一种在线学习平台系统 |
| CN114898612A (zh) * | 2022-05-06 | 2022-08-12 | 广东博深咨询有限公司 | 一种智能化安全教育系统 |
| CN115146162A (zh) * | 2022-06-30 | 2022-10-04 | 武汉美和易思数字科技有限公司 | 一种在线课程推荐方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115841402A (zh) | 2023-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115841402B (zh) | 一种针对安全生产的数字化培训方法、系统、介质及设备 | |
| Tan et al. | Prediction of student dropout in e-Learning program through the use of machine learning method. | |
| Haiyang et al. | A time series classification method for behaviour-based dropout prediction | |
| US11238394B2 (en) | Assessment-based qualified candidate delivery | |
| Shokouhyar et al. | Implementing a fuzzy expert system for ensuring information technology supply chain | |
| US11403570B2 (en) | Interaction-based predictions and recommendations for applicants | |
| US11205144B2 (en) | Assessment-based opportunity exploration | |
| Cerda-Navarro et al. | Academic integrity policies against assessment fraud in postgraduate studies: An analysis of the situation in Spanish universities | |
| Rusliyawati et al. | Implementation of SAW method for determining SCRM model as business strategy in higher education | |
| Mariyanti | Development of mobile learning applications for android based on artificial intelligence | |
| CN117743695B (zh) | 一种职业培训课程推荐方法、装置、电子设备及存储介质 | |
| Tang | Optimization of english learning platform based on a collaborative filtering algorithm | |
| Wu et al. | Multilevel Evaluation of Teaching Quality in Higher Education Using Single‐Valued Neutrosophic Set | |
| Fu et al. | Evaluation model of teachers' teaching ability based on improved random forest with grey relation projection | |
| Widyahastuti et al. | Prediction model students' performance in online discussion forum | |
| Du | Application of the Data‐Driven Educational Decision‐Making System to Curriculum Optimization of Higher Education | |
| Liu et al. | Performance Evaluation and Identification of Key Influencing Factors for Student Achievement Based on the Entropy‐Weighted TOPSIS Model | |
| Sarker et al. | Exploring student predictive model that relies on institutional databases and open data instead of traditional questionnaires | |
| Mariskhana et al. | Decision Support System for increasing position of Office at PT. Gramedia Asri Media using Profile Matching Method | |
| Wang et al. | Research on the training and management of industrializing workers in prefabricated building with machine vision and human behaviour modelling based on industry 4.0 era | |
| Asghari et al. | Modeling competency management for organizational agility at Islamic Azad University of Tehran | |
| Balabied et al. | Utilizing random forest algorithm for early detection of academic underperformance in open learning environments | |
| Qian | Research on innovation and entrepreneurship and talent cultivation mode of college students under the background of artificial intelligence technology | |
| Poonikom et al. | An application of the analytic network process (ANP) for university selection decisions | |
| Ali Ahmed et al. | Factors Impacting the Behavioral Intention to Use Social Media for Knowledge Sharing: Insights from Disaster Relief Practitioners |
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 |