CN116485597B - 基于岗位能力模型的标准化实训方法 - Google Patents
基于岗位能力模型的标准化实训方法 Download PDFInfo
- Publication number
- CN116485597B CN116485597B CN202310410051.0A CN202310410051A CN116485597B CN 116485597 B CN116485597 B CN 116485597B CN 202310410051 A CN202310410051 A CN 202310410051A CN 116485597 B CN116485597 B CN 116485597B
- Authority
- CN
- China
- Prior art keywords
- training
- post
- question
- determining
- answer
- 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
- 238000012549 training Methods 0.000 title claims abstract description 245
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012360 testing method Methods 0.000 claims abstract description 78
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 26
- 238000005516 engineering process Methods 0.000 claims description 24
- 238000011156 evaluation Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 21
- 238000003058 natural language processing Methods 0.000 claims description 15
- 238000013515 script Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 14
- 238000012545 processing Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 230000007812 deficiency Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008676 import Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000001755 vocal effect Effects 0.000 description 4
- 238000012258 culturing Methods 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- XSQUKJJJFZCRTK-NJFSPNSNSA-N UREA C 14 Chemical compound N[14C](N)=O XSQUKJJJFZCRTK-NJFSPNSNSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013077 scoring method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 208000021005 inheritance pattern Diseases 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection 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
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
- 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
- G06Q50/2057—Career enhancement or continuing education service
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种基于岗位能力模型的标准化实训方法，包括岗位实训计划生成、实训成果检测和智能提问及答案评分，即生成岗位实训计划；对岗位实训计划的实训成果进行检测，获得检测结果；根据检测结果确定匹配问题，并对匹配问题的答案正确性。据此制定的实训计划，综合考虑学生的特点和岗位能力要求。同时通过代码查重、扫描和自动化测试工具，实时监测学生在实训过程中的成果，确保项目的完成情况和学生对岗位能力的掌握情况。并根据学生的项目完成情况和岗位能力掌握情况，自动从题库中抽取问题并智能判定学生的回答情况，从而更全面地评估学生在岗位能力方面的差距，帮助制定下一个实训阶段的实训计划。
Description
技术领域
本公开涉及数据处理技术领域，尤其涉及一种基于岗位能力模型的标准化实训方法。
背景技术
职业教育实训是职业教育中的实践性教学环节，学生通过运用所学理论知识解决实际问题，旨在弥补教学中对实际操作经验的不足，更好地适应职业岗位的要求。
当前职业教育实训的实训计划通常是固定的，难以满足学生个体差异和企业岗位要求的多样性，在评估学生项目进度和能力掌握方面存在局限性。
发明内容
有鉴于此，本申请提出一种基于岗位能力模型的标准化实训方法，以解决上述问题。
本申请一方面，提出一种基于岗位能力模型的标准化实训方法，包括如下步骤：
根据岗位能力模型生成岗位实训计划；
对所述岗位实训计划的实训成果进行检测，获得检测结果；
根据所述检测结果确定匹配问题，并对所述匹配问题的答案正确性。
作为本申请的一可选实施方案，可选地，根据岗位能力模型生成岗位实训计划，包括：
根据实训项目和岗位能力的关系确定实训任务；
通过所述实训任务的完成结果预设学生能力的评估方式，并根据所述评估方式确定所述岗位能力的掌握水平指标，其中所述掌握水平指标包括未掌握能力指标；
将所述未掌握能力指标和所述实训任务向量化，并进行相似度计算，根据所述相似度生成实训计划。
作为本申请的一可选实施方案，可选地，根据实训项目和岗位能力的关系确定实训任务，包括：
获取实训项目文档和实训项目代码；
分别对所述实训项目文档和所述实训项目代码进行分析，获得文档分析结果和代码分析结果；
将所述文档分析结果和所述代码分析结果以项目功能模块为单位，构建项目模块功能知识图谱，并将所述项目模块功能知识图谱与岗位能力知识图谱相关联，确定关联结果；
根据所述关联结果计算所述项目功能模块的权重，并按照所述权重大小确定所述实训任务。
作为本申请的一可选实施方案，可选地，通过所述实训任务的完成结果预设学生能力的评估方式，并根据所述评估方式确定所述岗位能力的掌握水平指标，包括：
在所述实训任务未完成时，利用学生成绩评估所述岗位能力的掌握水平指标；
在所述实训任务完成时，根据所述学生成绩和所述完成结果确定所述掌握水平指标。
作为本申请的一可选实施方案，可选地，将所述未掌握能力指标和所述实训任务向量化，并进行相似度计算，根据所述相似度生成实训计划，包括：
将所述未掌握能力指标和所述实训任务按照岗位能力指标进行向量化处理，获得未掌握能力向量和实训任务向量；
利用余弦相似度和欧几里得距离计算所述未掌握能力向量和所述实训任务向量的相似度；
根据所述相似度和所述实训任务的权重对所述实训任务进行排行，通过排行结果确定实训计划。
作为本申请的一可选实施方案，可选地，对所述岗位实训计划的实训成果进行检测，获得检测结果，包括：
根据所述实训任务编写代码，并确定所述代码的质量和技术框架；
对所述代码进行预处理，将预处理结果转换为语法树；
通过计算所述语法树之间的编辑距离，确定所述代码的相似度；
根据所述代码的相似度、非重复核心函数数量和非核心函数代码行数确定实训成果。
作为本申请的一可选实施方案，可选地，根据所述实训任务编写代码之后，还包括：
预设所述实训任务中的关键任务，并根据所述关键任务制作测试用例；
利用测试框架和测试工具将所述测试用例转换为测试脚本；
根据所述测试脚本对所述代码进行测试，获得测试结果；
对所述测试结果进行分析，确定学生对岗位能力的掌握程度。
作为本申请的一可选实施方案，可选地，根据所述检测结果确定匹配问题，并对所述匹配问题的答案正确性，包括：
构建问答库；
利用自然语言处理技术对所述问答库进行标注和分类，确定问题与答案、任务和技能之间的关系，构建问题知识图谱；
预设技能优先级，并根据所述技能优先级和所述问题知识图谱从所述问答库中筛选出匹配问题；
利用自然语言处理技术对所述匹配问题的答案进行判定，判断所述答案的正确性。
作为本申请的一可选实施方案，可选地，利用自然语言处理技术对所述问答库进行标注和分类，确定问题与答案、任务和技能之间的关系，构建问题知识图谱，包括：
通过TextRank算法对所述问题的文本和所述答案的文本进行关键词提取；
利用预训练的技能词典和技能实体识别模型对所述关键词进行识别，确定所述问题相关的技能；
通过计算所述问题的关键词和所述实训任务的文本相似度，确定所述问题相关的任务；
利用所述问题、所述答案、所述技能和所述任务构建所述问题知识图谱。
作为本申请的一可选实施方案，可选地，预设技能优先级，并根据所述技能优先级和所述问题知识图谱从所述问答库中筛选出匹配问题，包括：
根据岗位能力评估结果和实训任务成果检测结果，确定所述技能优先级；
预设推荐算法，并根据所述推荐算法通过所述技能优先级和所述问题知识图谱，从所述问答库中筛选匹配问题，其中所述推荐算法包括基于内容的推荐算法和基于协同过滤的推荐算法。
本发明的技术效果：
本申请提供一种基于岗位能力模型的标准化实训方法，包括根据岗位能力模型生成岗位实训计划，对位实训计划的实训成果进行检测，获得检测结果，根据检测结果确定匹配问题，并对匹配问题的答案正确性。也即岗位能力模型的标准化实训方法包括基于岗位能力匹配的实训计划生成、实训成果检测以及智能提问和回答判断，通过基于岗位能力模型的个性化实训计划生成，可以充分考虑学生的个性化需求和企业岗位的能力要求，从而提高实训计划的针对性，更好地满足学生与企业的需求。并在实训过程中，对实训成果进行实时评估，判断学生对项目的完成情况及岗位能力的掌握情况，从而实现对学生能力掌握情况的实时反馈，帮助学生及时了解自己的进步和不足。同时通过根据学生在实训过程中的具体情况进行有针对性的提问，并自动判断回答是否正确，全面评估学生在实训过程中的岗位能力掌握情况，发现学生能力的不足，为下一步学习提供决策参考，加强实训的有效性。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出为本发明的基于岗位能力模型的标准化实训方法的流程图；
图2示出为本发明的基于岗位能力模型的标准化实训方法的实施流程示意图；
图3示出为本发明的基于岗位能力模型的标准化实训方法中岗位实训计划生成流程图；
图4示出为本发明的基于岗位能力模型的标准化实训方法中岗位实训计划生成的实施流程示意图；
图5示出为本发明的基于岗位能力模型的标准化实训方法中实训成果检测流程图；
图6示出为本发明的基于岗位能力模型的标准化实训方法中实训成果检测方法的实施流程示意图；
图7示出为本发明的基于岗位能力模型的标准化实训方法中智能提问及答案评分方法的流程图；
图8示出为本发明的基于岗位能力模型的标准化实训方法中智能提问及答案评分方法的实施流程示意图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
实施例1
如图1、图2所示，本申请一方面，提出一种基于岗位能力模型的标准化实训方法，包括如下步骤：
S100、根据岗位能力模型生成岗位实训计划；
S200、对所述岗位实训计划的实训成果进行检测，获得检测结果；
S300、根据所述检测结果确定匹配问题，并对所述匹配问题的答案正确性。
具体的，如图3和图4根据岗位能力模型生成岗位实训计划包括：
S110、根据实训项目和岗位能力的关系确定实训任务；
S120、通过所述实训任务的完成结果预设学生能力的评估方式，并根据所述评估方式确定所述岗位能力的掌握水平指标，其中所述掌握水平指标包括未掌握能力指标；
S130、将所述未掌握能力指标和所述实训任务向量化，并进行相似度计算，根据所述相似度生成实训计划。
本实施例中，实训计划的确定通过比较学生未掌握能力指标和实训任务的相似度实现，由此获得的实训计划同时考虑学生的特点和需求，以及企业岗位的能力要求，更加具备针对性和有效性。具体的，通过步骤S110、根据实训项目和岗位能力的关系确定实训任务，分别对实训项目的文档和代码进行分析，其中通过分析实训项目的文档，获得关键词、主体和聚类结果等数据，通过分析实训项目代码获得语言、库、框架、工具、知识点和复杂度等数据，并以项目模块为单位，利用Neo4j构建项目模块功能知识图谱，与岗位能力知识图谱相关联，确定实训项目模块和岗位能力之间的关系，需要说明的是，通过获取岗位信息和公司信息构建岗位能力知识图谱，进一步的，根据功能能力匹配度、功能难度和功能能力培养价值指标对实训功能模块的实训价值进行排行，确定实训任务。具体的，功能能力匹配度根据项目模块功能知识图谱计算功能对岗位能力的贡献，细分为能力数量、提薪能力数量、能力掌握要求等级和能力平均薪资指标，功能难度也即功能难以程度指标，包括需求复杂度量、设计复杂度、代码量、分支量、代码复杂度细分指标。功能能力培养价值，根据功能能力匹配度、岗位能力价值计算得到功能能力培养价值，多个能力价值根据权重组合计算。还需要说明的是，在有实训数据后增加学生能力培养提升度指标，也即根据学生实训记录，得出功能模块对学生能力提升的价值提升度。
确定实训任务后，由步骤S120、通过实训任务的完成结果预设学生能力的评估方式，并根据评估方式确定岗位能力的掌握水平指标，其中掌握水平指标包括未掌握能力指标。此处，需要说明的是，对于学生能力水平的评估，需要判断学生是否完成过实训任务，若未完成过，也即第一次做实训项目，采用基于考试成绩的能力评估方式，若完成过实训任务，则根据考试成绩的能力评估和实训任务完成情况的能力评估相结合的方式，确定学生对于岗位能力的掌握水平指标，需要说明的是，掌握能力水平指标包括未掌握能力指标。
确定未掌握能力指标后，通过步骤S130、将未掌握能力指标和实训任务向量化，并进行相似度计算，根据相似度生成实训计划。具体的，分别将未掌握能力指标和实训任务向量化，其中根据技能价值的排序将未掌握能力指标进行向量化处理，通过未掌握能力向量表示在掌握水平指标上的未掌握程度，进一步的，将实训任务按照涉及的岗位能力的掌握水平指标向量化，表示实训任务对指标的要求程度。利用余弦相似度和欧几里得距离进行计算，确定未掌握能力向量和实训任务向量之间的相似度，相似度值越高，表示学生缺失的能力与实训任务的要求越匹配。确定相似度后，根据相似度和实训任务的权重对实训任务进行排行，通过排行结果确定实训计划。具体的，根据计算出的相似度，以及每个实训任务的价值权重和难度权重，对实训任务进行排行，确定与学生缺失能力匹配度较高的实训任务，据此制定实训计划。例如，第一次推荐五人日加减一天的工作量完成的任务数，并推荐难度权重比学生能力略高的任务。
作为本申请的一可选实施方案，可选地，根据实训项目和岗位能力的关系确定实训任务，包括：
获取实训项目文档和实训项目代码；
分别对所述实训项目文档和所述实训项目代码进行分析，获得文档分析结果和代码分析结果；
将所述文档分析结果和所述代码分析结果以项目功能模块为单位，构建项目模块功能知识图谱，并将所述项目模块功能知识图谱与岗位能力知识图谱相关联，确定关联结果；
根据所述关联结果计算所述项目功能模块的权重，并按照所述权重大小确定所述实训任务。
本实施例中，对实训项目文档进行分析，确定关键词、主题和聚类结果，具体的，利用自然语言处理技术，对实训项目的需求、概要设计、详细设计、数据库设计、测试用例和用户手册等文档分别进行分析。其中，需要对各类文档进行预处理，包括去除停用词、标点符合、数字等无关信息，以及进行词干提取和词性标注。进一步的，利用TF-IDF对预处理后的文本进行关键词提取，其中关键词包括技术语言、框架、组件、库、工具、方法和概念，并利用BERT模型将提取出的关键词转换未词向量表示。更进一步的，根据关键词和词向量表示，运行主题建模技术LDA分析项目文档中的主题，通过主题建模挖掘项目功能模块的关键技能。还需要说明的是，根据词向量表示，对关键词进行聚类分析，将具有相似含义或关联性的关键词划分为同一类别，分析项目功能模块设计的技能领域和技能组合。
通过对实训项目代码进行分析，确定语言、库、框架、工具、知识点和复杂度。具体的，分析实训项目中各文件的扩展名，初步识别实训项目所使用的编程语言，如.java表示Java、.py表示Python、.js表示JavaScript。进一步的，对依赖配置文件进行分析，如package.json、requirements.txt、pom.xml、Gemfile，识别实训项目所使用的库、框架和工具，如从package.json中获取JavaScript项目所使用的npm包，从requirements.txt中获取Python项目所使用的库。更进一步的，利用模式识别技术，分析项目代码中的关键词、函数调用和类继承模式，通过上述模式识别项目中使用的特定技术和框架，如对于JavaScript项目，查找特定的模块导入语句(如import React from'react')，以确定项目使用了React框；对于Python项目，查找特定的库导入语句(如import django)，以确定项目使用了Django框架；对于Java项目，查找特定的注解(如@Controller或@Autowired)，以确定项目使用了Spring框架。还需要说明的是，利用nlp分析项目代码中的注释，提取关键信息和知识点，进一步的筛选出实训项目功能模块的设计思路、技术难点和要点，用于评估项目功能模块与岗位能力之间的关系。还需要进行代码复杂度的计算，高复杂度代表项目功能模块对开发者技能要较高，更能体现岗位能力之间的关系，具体包括循环复杂度、最大嵌套深度和函数内代码行数。其中循环复杂度用于衡量代码控制流程复杂度，计算公式为：M＝E-N+2P，其中M是循环复杂度，E是边数，N是节点数，P是连通分支数。循环复杂度越高，代码逻辑越复杂，可维护性和可读性越差；最大嵌套深度(Maximum Nesting Depth)用于衡量代码结构复杂度的指标，MND指的是代码中嵌套结构，如条件语句、循环语句的最大深度，计算方法为初始化MND为0，遍历代码中的每个代码块，对于每个代码块，统计其嵌套结构的深度。嵌套结构包括条件语句，如if,、else、switch，循环语句，如for、while、do-while，和其他可能导致嵌套的语句，如try-catch、with。如果当前代码块的嵌套深度大于之前的最大值，则更新MND为当前嵌套深度。遍历完成后，得到的MND值就是代码中的最大嵌套深度；函数内代码行数用于衡量单个函数复杂度的指标，较长的函数可能包含较多的逻辑和较高的复杂度，增加了代码的维护难度。
作为本申请的一可选实施方案，可选地，通过所述实训任务的完成结果预设学生能力的评估方式，并根据所述评估方式确定所述岗位能力的掌握水平指标，包括：
在所述实训任务未完成时，利用学生成绩评估所述岗位能力的掌握水平指标；
在所述实训任务完成时，根据所述学生成绩和所述完成结果确定所述掌握水平指标。
本实施例中，对于学生能力水平的评估，需要判断学生是否完成过实训任务，若未完成过，也即第一次做实训项目，采用基于考试成绩的能力评估方式，具体的，建立课程、考试和岗位能力模型的映射关系，利用课程大纲、教学目标、教案ppt的文本分析，建立专业课程知识点索引，建立课程知识点和岗位技能的映射关系，在考题上增加知识点便签，建立考题和岗位技能的映射关系，其中针对知识点和岗位能力间出现的多对多关系做权重处理；从考试系统采集学生平时成绩、期末成绩，包括课程得分和每道题得分，利用建立好的专业课程与岗位能力模型的映射关系，将学生在每门专业课程的考试成绩转化为对应的岗位能力指标得分，权重较低；利用建立好的考题与岗位能力模型的映射关系，将学生在每道题的成绩转化为对应的岗位能力指标得分，权重较高，根据上述指标得分确定学生对岗位能力的掌握水平指标；
若完成过实训任务，则根据考试成绩的能力评估和实训任务完成情况的能力评估相结合的方式，确定学生对于岗位能力的掌握水平指标。其中，基于实训任务完成情况的能力评估，包括在实训过程中学生编写代码的质量确定的实训成果质量，以及实训进行一定阶段时对学生进行提问，对问题回答的判断，确定实训任务完成情况。
作为本申请的一可选实施方案，可选地，将所述未掌握能力指标和所述实训任务向量化，并进行相似度计算，根据所述相似度生成实训计划，包括：
将所述未掌握能力指标和所述实训任务按照岗位能力指标进行向量化处理，获得未掌握能力向量和实训任务向量；
利用余弦相似度和欧几里得距离计算所述未掌握能力向量和所述实训任务向量的相似度；
根据所述相似度和所述实训任务的权重对所述实训任务进行排行，通过排行结果确定实训计划。
本实施例中，根据学生任务完成情况多轮动态调整实训任务，若学生任务完成时间小于任务平均完成时间，任务代码质量智能化判定通过，任务问答智能化判定通过，则自动提高任务推荐的难度系数，向学生推荐难度更高的，训练其它技能任务，帮助学生快速提升；若学生任务完成时间超过任务平均完成时间，任务代码质量智能化判定不通过，任务问答智能化判定不通过，则降低任务难度系数，向学生推荐训练相同技能的难度更低的类似任务，帮助学生巩固基础知识和技能。
因此，本申请的岗位实训计划生成方法，针对学生不同掌握程度进行实训计划的确定，充分考虑学生个性化需求和企业岗位能力要求，由此制定的实训计划更具针对性，能够更好的满足学生和企业的需求。
进一步的，如图5和图6所示，S200、对所述岗位实训计划的实训成果进行检测，获得检测结果，包括：
S210、根据所述实训任务编写代码，并确定所述代码的质量和技术框架；
S220、对所述代码进行预处理，将预处理结果转换为语法树；
S230、通过计算所述语法树之间的编辑距离，确定所述代码的相似度；
S240、根据所述代码的相似度、非重复核心函数数量和非核心函数代码行数确定实训成果。
本实施例中，通过对实训任务的完成结果进行检测，判断实训成果质量。具体的，根据实训任务编写代码，并将编写的代码提交至系统制定的内部代码管理仓库，并将代码地址填入实训任务，需要说明的是，实训任务在提交代码地址后结束。进一步的，代码提交后，系统依次进行代码扫描、代码自动查重和代码自动测试，确定实训质量和岗位能力是否掌握。
具体的，通过步骤S210、根据实训任务编写代码，并确定代码的质量水平和技术框架，其中通过静态代码扫描对代码进行分析，得到代码质量、代码规范、错误和异常、安全性四个指标，用于判断学生开发的质量，四个指标均以1-10分作为判断标准。需要说明的是，静态代码扫描无需执行代码即可发现潜在代码问题，自动检测代码中的缺陷、安全漏洞和不符合规范的编程习惯等，本实施例利用CICD技术调用静态代码扫描工具对学生代码进行分析，产出扫描报告，具体的系统启动jenkins pipline，根据代码语言，调用不同的扫描工具进行代码扫描，扫描工具包括SonarQube、ESLint、Pylint和FindBugs，代码质量指标包括复杂度、可维护性和可读性，也即衡量代码的复杂程度，如循环嵌套、条件分支、函数调用深度，衡量代码的可维护程度，如模块化程度、耦合性、内聚性，衡量代码的易读程度，如代码结构、命名规范、注释；代码规范指标包括命名规范、代码风格和注释规范，也即通过检查代码中变量、函数、类等命名是否符合规定的命名规范，检查代码的格式、缩进、空格等是否符合规定的编程风格，检查代码的注释是否充分、清洗，是否符合规定的注释规范；错误和异常指标包括异常处理、错误处理和资源泄露，也即检查代码中异常处理是否完善，是否能够正确处理可能出现的异常情况，检查代码中错误处理是否合理，是否能够确保程序的稳定性和健壮性，检查代码中是否存在未关闭的文件、数据库连接、内存泄漏等资源泄漏问题；安全性指标包括安全漏洞、敏感信息泄露和加密身份验证，其中检查代码中是否存在已知的安全漏洞，如SQL注入、跨站脚本攻击(XSS)、缓冲区溢出等，检查代码中是否包含敏感信息，如密码、密钥、私有API等，检查代码中是否使用了正确的加密算法，是否正确实现了身份验证和授权等安全机制。
进一步的，通过分析代码文件，判断代码使用了哪些技术和框架，获得学生代码对应的岗位能力，包括配置文件分析、代码模式识别和代码注释分析。具体的分析过程与实施例1中的代码分析相同，此处不再赘述。
通过步骤S220、对代码进行预处理，将预处理结果转换为语法树。具体的，预处理包括去除注释、空格、换行符，提取代码中的关键信息，经过预处理后的代码更加简洁，便于后续的处理和分析。进一步的，利用编译器生成的抽象语法树对预处理后的代码进行结构化表示，构建语法树。具体的，对代码词法进行分析，将代码中的每个单词和符号转换成对应的标记，如变量名、方法名、关键字、运算符，对代码语法进行分析，将词法分析后的代码转换成语法树。需要说明的是，语法树是一种树形结构，它反映了代码的语法结构，便于计算机进行处理，将语法树中的无关节点进行压缩，如空语句节点、空块节点、无用的控制节点进行压缩。将压缩后的语法树转换为向量，转换方法包括节点遍历序列、节点序列和父节点序列中的任意一种，通过将代码转换为语法树，能够快速有效地比对代码之间的结构相似度。
更进一步的，通过步骤S230、通过对语法树之间的编辑距离，确定代码的相似度。具体的，通过语法树对两段代码的相似度进行度量，将代码的语法结构信息纳入相似度计算中，从而提高代码相似度计算的准确性和鲁棒性，利用树编辑距离算法计两个语法树之间的阿编辑距离，基于树编辑算法进行递归式的代码相似度计算，并根据编辑操作的代价计算出两个语法树的编辑距离。
通过步骤S240、根据相似度、非重复核心函数数量和非核心函数代码行数确定实训成果，具体而言，相似度作为衡量实训成果质量的重要指标，较低的相似度代表学生独立完成实训任务，具有较高的创新性。代码行数超出五行的函数为核心函数，此处为语法行数，并排除注释、换行写法等内容干扰。若核心函数和所有代码库中的代码相似度低于40％，则定义为非重复核心函数，用于判断学生独立开发的工作量；非核心函数的总行数是所有非核心函数的总代码行数，用于更精准的判断学生独立开发的工作量。据此对学生真实开发工作量进行判断，并确保学生提交的代码具有独立性，作为实训任务完成得关键指标。
作为本申请的一可选实施方案，可选地，根据所述实训任务编写代码之后，还包括：
预设所述实训任务中的关键任务，并根据所述关键任务制作测试用例；
利用测试框架和测试工具将所述测试用例转换为测试脚本；
根据所述测试脚本对所述代码进行测试，获得测试结果；
对所述测试结果进行分析，确定学生对岗位能力的掌握程度。
本实施例中，通过预设测试用例，对实训任务进行功能性和性能性方面得测试，进一步评估实训成果质量。具体得，通过CICD技术调用代码测试工具或测试脚本对代码进行测试，产出测试报告，通过系统启动enkins pipline，根据测试类型，调用不同的测试工具及脚本进行代码自动测试，测试工具及测试框架包括jemeter、new man、JUnit、pytest等。需要说明的是，关键任务的选择根据实训项目的文档文本分析和代码分析，得到项目模块技能知识图谱，根据知识图谱分析得到实训任务的功能能力匹配度、功能难度、功能能力培养价值、能力培养提升度，根据上述指标对任务进行排序，生成不同技能的高价值任务清单，自动选取高价值任务清单中价值前30％的任务做为关键任务，优先制作测试用例和测试脚本。进一步的，测试用例首先来自原有项目测试文档，如实训任务对应的功能模块没有测试文档，则由实训项目研发老师根据实训任务模块需求，进行具体设计，包括重要接口测试用例、性能测试用例等。测试用例包括输入数据、预期输出结果和相应的测试说明。还需说明的是，基于JUnit、pytest等自动化测试框架和jemeter、new man(postman)等测试工具，将设计好的测试用例转化为具体的测试脚本或测试配置文件。测试脚本和测试工具够自动调用学生实现的功能模块，输入测试数据，捕获输出结果，并与预期结果进行比较。
通过搭建了用于实训代码执行的kubernetes容器云，及一系列共用的缓存、数据库集群。在学生提交代码后，使得系统依照实训任务配置的环境需求，创建相应的容器镜像，包括所需的操作系统、依赖库、运行环境等。同时利用自动部署技术将学生代码打包并部署到容器中，确保代码能在预设的环境中正确运行。最后启动容器，执行学生代码。在代码运行过程中，监控容器的运行状态，如CPU、内存使用情况等，确保代码运行顺利。代码部署运行后，系统调用Jenkins pipline，启动自动化测试脚本及测试工具对容器中的代码程序进行测试，输入测试数据，并捕获输出结果。其中，在测试执行过程中，自动收集测试结果，包括通过的测试用例、失败的测试用例、错误信息等。将测试结果存储在hive中，并进行分析。
还需要说明的是，对测试结果进行分析，确定学生对岗位能力的掌握程度。具体的，利用功能性指标、性能指标和可靠性指标进行代码质量评估，其中功能性指标包括通过率，即测试用例通过的数量占总测试用例数量的比例。通过率直观地反映学生实现的功能模块是否达到预期效果，还包括缺陷密度，在测试过程中发现的缺陷数量与代码行数的比值，缺陷密度反映学生代码的质量和稳定性；性能指标包括响应时间，即学生代码在执行某个功能或处理某个请求所需的时间。响应时间用来评估代码的性能表现，还包括吞吐量，在单位时间内，学生代码能够处理的请求数量或事务数量，吞吐量用来评估代码在高负载情况下的表现；可靠性指标包括错误率，在测试过程中出现错误的次数占总测试次数的比例，错误率反映学生代码的可靠性和健壮性，还包括故障恢复时间，从学生代码出现故障到恢复正常运行所需的时间。故障恢复时间用来评估代码的容错能力和稳定性；代码覆盖率指标，包括语句覆盖率：测试用例覆盖的代码行数占总代码行数的比例，语句覆盖率反映测试用例是否充分覆盖了学生的代码，还包括分支覆盖率，测试用例覆盖的代码分支数占总代码分支数的比例。分支覆盖率反映测试用例是否覆盖了学生代码中的各种条件分支。通过上述指标，综合判定学生的功能实现程度，进一步确定学生对岗位能力的掌握程度。
在实训过程中，采用代码查重、扫描、自动化测试等手段，可以对学生代码进行实时评估，判断学生对项目的完成情况及岗位能力的掌握情况，从而实现对学生能力掌握情况的实时反馈，帮助学生及时了解自己的进步和不足。
更进一步的，如图7和图8所示，S300、根据所述检测结果确定匹配问题，并对所述匹配问题的答案正确性，包括：
S310、构建问答库；
S320、利用自然语言处理技术对所述问答库进行标注和分类，确定问题与答案、任务和技能之间的关系，构建问题知识图谱；
S330、预设技能优先级，并根据所述技能优先级和所述问题知识图谱从所述问答库中筛选出匹配问题；
S340、利用自然语言处理技术对所述匹配问题的答案进行判定，判断所述答案的正确性。
本实施例中，通过预设问题，对学生能力进行评估，判断学生岗位能力的掌握程度。首先，通过步骤S310、构建问答库，具体的，收集历史面试记录和问答记录，确保数据量充足，涵盖不同领域和技能的问题，使用分句算法及基于句子边界的规则将面试记录和问答记录中的文本内容分割成单独的句子或段落，以便后续处理。同时，去除无关的符号、空格、换行符等，统一大小写，替换或删除非标准字符，使文本更加规范化。利用实体识别NER、依存句法分析等NLP技术，从分割后的句子中提取问题和答案。需要说明的是，对于问答对的提取，主要使用基于规则的方法，如根据问句特征(如疑问词)和句子结构识别问题，然后提取紧随问题之后的句子作为答案。整理提取出的问题和答案，组织成结构化的数据格式。据此，构建一个基础的问答库，为后续智能抽题提供丰富的素材。
进一步的，通过步骤S320、利用自然语言处理技术对所述问答库进行标注和分类，确定问题与答案、任务和技能之间的关系，构建问题知识图谱；为了使问答库能够更好地适应学生的岗位能力匹配，需要使用自然语言处理技术对问答库进行标注和分类，包括对问题进行关键词提取、主题分类、难易程度评估等。此外，还需要构建问答、任务、技能之间的关系，以便在抽题时能够根据学生的能力匹配情况选择合适的问题。其中，使用TextRank算法对问题和答案文本进行关键词提取，提取出反映主题和内容的关键词；使用预训练的技能词典及自定义的技能实体识别模型，从关键词中识别出涉及的技能和领域；使用预训练的技能词典及自定义的技能实体识别模型，从关键词中识别出涉及的技能和领域。将问题与实训任务进行关联。通过Word2Vec方法计算问题关键词和实训任务描述之间的文本相似度，为每个问题找到与之相关的实训任务；使用有监督的文本分类模型支持向量机(SVM)，根据问题文本对问题进行难度分类，为每个问题分配具体的难度等级。需要特别说明的是，将问题、答案、任务、技能及其关系组织成一个知识图谱，知识图谱中的节点包括问题、答案、任务和技能，边则表示它们之间的关系。问题与答案之间的关系表示为“问题-回答”，问题与任务之间的关系表示为“问题-涉及任务”，问题与技能之间的关系表示为“问题-涉及技能”。
更进一步的，通过步骤S330、预设技能优先级，并根据所述技能优先级和所述问题知识图谱从所述问答库中筛选出匹配问题。在问答库构建和标注的基础上，利用推荐算法根据学生的岗位能力匹配进行智能抽题。根据学生的岗位能力评估结果，分析学生在各项技能和领域的掌握程度，识别学生的优势和不足，用向量进行表示。根据学生完成的实训任务成果检测情况，识别学生在本任务中的技能掌握水平，用向量进行表示。综合分析学生的岗位能力匹配情况和任务成果检测情况，确定学生需要提问的技能优先级。结合学生的优先级权重和知识图谱中的问题、技能、任务关系，使用推荐算法从问答库中筛选出与学生能力匹配的问题。混合使用内容推荐和协同过滤生成问题推荐清单。需要说明的是，冷启动时主要使用基于内容的推荐Collaborative Filtering算法，该算法根据问题和学生技能之间的相似度来推荐问题。通过计算问题关键词与学生技能的余弦相似度及Jaccard相似度来实现。有历史数据后，主要基于协同过滤推荐(Collaborative Filtering)算法进行推荐，包括基于用户的协同过滤(User-Based Collaborative Filtering)和基于项目的协同过滤(Item-Based Collaborative Filtering)。一方面根据其他具有相似技能和掌握情况的学生的未解决的问题来推荐问题，另一方面根据学生以往未解决的问题来推荐类似的问题。
通过步骤S340、利用自然语言处理技术对所述匹配问题的答案进行判定，判断所述答案的正确性。对学生答案进行预处理，包括分词、去除停用词、转换为小写等，使文本更适合后续分析，并利用词嵌入等特征提取方法从预处理后的文本中提取答案特征。进一步的，利用余弦相似度、Jaccard相似度、编辑距离等计算学生答案和正确答案之间的文本相似度。当学生答案与正确答案的相似度超过阈值时判断学生的回答是正确的；反之，则回答是错误的。为了进一步提高判断的准确性，利用NLP技术，具体为语义角色标注(SemanticRole Labeling)和依存句法分析(Dependency Parsing)技术，分析学生答案和正确答案的语义结构。通过比较两个答案的主要成分(主语、谓语和宾语)和关系，更准确地判断学生的回答是否正确。为了提高判断学生回答正确性的准确率，将相似度计算、语义匹配等方法的结果结合起来，通过加权求和方式综合判断学生回答的正确性。根据学生的问题回答情况，动态调整推荐问题的难度。若学生回答正确某个问题，则自动推荐难度更高的同类技能问题，直到学生回答错误，再降低问题难度。每个技能方向问5个问题，然后问下一个顺位技能的同等难度问题。
通过根据学生在实训过程中的具体情况进行有针对性的提问，并自动判断回答是否正确，全面评估学生在实训过程中的岗位能力掌握情况，发现学生能力的不足，为下一步学习提供决策参考，加强实训的有效性。根据学生的项目完成情况和岗位能力掌握情况，自动从题库中抽取问题并智能判定学生的回答情况，从而更全面地评估学生在岗位能力方面的差距，帮助制定下一个实训阶段的个性化实训计划，使学生能真正在多个实训阶段中不断提高岗位能力，培养出更符合企业岗位要求的工程师。
需要说明的是，构建问答库，包括：
获取历史面试记录和问答记录；
将所述历史面试记录和所述问答记录进行语料分割成句子；
对所述句子进行文本清洗后，提取问题和答案，构建问答库。
作为本申请的一可选实施方案，可选地，利用自然语言处理技术对所述问答库进行标注和分类，确定问题与答案、任务和技能之间的关系，构建问题知识图谱，包括：
通过TextRank算法对所述问题的文本和所述答案的文本进行关键词提取；
利用预训练的技能词典和技能实体识别模型对所述关键词进行识别，确定所述问题相关的技能；
通过计算所述问题的关键词和所述实训任务的文本相似度，确定所述问题相关的任务；
利用所述问题、所述答案、所述技能和所述任务构建所述问题知识图谱。
作为本申请的一可选实施方案，可选地，预设技能优先级，并根据所述技能优先级和所述问题知识图谱从所述问答库中筛选出匹配问题，包括：
根据岗位能力评估结果和实训任务成果检测结果，确定所述技能优先级；
预设推荐算法，并根据所述推荐算法通过所述技能优先级和所述问题知识图谱，从所述问答库中筛选匹配问题，其中所述推荐算法包括基于内容的推荐算法和基于协同过滤的推荐算法。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (5)
1.一种基于岗位能力模型的标准化实训方法，其特征在于，包括如下步骤：
根据岗位能力模型生成岗位实训计划；
根据岗位能力模型生成岗位实训计划，包括如下步骤：
根据实训项目和岗位能力的关系确定实训任务；
通过所述实训任务的完成结果预设学生能力的评估方式，并根据所述评估方式确定所述岗位能力的掌握水平指标，其中所述掌握水平指标包括未掌握能力指标；
通过所述实训任务的完成结果预设学生能力的评估方式，并根据所述评估方式确定所述岗位能力的掌握水平指标，包括：
在所述实训任务未完成时，利用学生成绩评估所述岗位能力的掌握水平指标；
在所述实训任务完成时，根据所述学生成绩和所述完成结果确定所述掌握水平指标；
将所述未掌握能力指标和所述实训任务向量化，并进行相似度计算，根据所述相似度生成实训计划；
根据实训项目和岗位能力的关系确定实训任务，包括：
获取实训项目文档和实训项目代码；
分别对所述实训项目文档和所述实训项目代码进行分析，获得文档分析结果和代码分析结果；
将所述文档分析结果和所述代码分析结果以项目功能模块为单位，构建项目模块功能知识图谱，并将所述项目模块功能知识图谱与岗位能力知识图谱相关联，确定关联结果；
根据所述关联结果计算所述项目功能模块的权重，并按照所述权重大小确定所述实训任务；
对所述岗位实训计划的实训成果进行检测，获得检测结果；
根据所述检测结果确定匹配问题，并对所述匹配问题的答案正确性；
根据所述检测结果确定匹配问题，并对所述匹配问题的答案正确性，包括：
构建问答库；
利用自然语言处理技术对所述问答库进行标注和分类，确定问题与答案、任务和技能之间的关系，构建问题知识图谱；
预设技能优先级，并根据所述技能优先级和所述问题知识图谱从所述问答库中筛选出匹配问题；
预设技能优先级，并根据所述技能优先级和所述问题知识图谱从所述问答库中筛选出匹配问题，包括：
根据岗位能力评估结果和实训任务成果检测结果，确定所述技能优先级；
预设推荐算法，并根据所述推荐算法通过所述技能优先级和所述问题知识图谱，从所述问答库中筛选匹配问题，其中所述推荐算法包括基于内容的推荐算法和基于协同过滤的推荐算法；
利用自然语言处理技术对所述匹配问题的答案进行判定，判断所述答案的正确性；
所述构建问答库，包括：
获取历史面试记录和问答记录；
将所述历史面试记录和所述问答记录进行语料分割成句子；
对所述句子进行文本清洗后，提取问题和答案，构建问答库。
2.根据权利要求1所述的基于岗位能力模型的标准化实训方法，其特征在于，将所述未掌握能力指标和所述实训任务向量化，并进行相似度计算，根据所述相似度生成实训计划，包括：
将所述未掌握能力指标和所述实训任务按照岗位能力指标进行向量化处理，获得未掌握能力向量和实训任务向量；
利用余弦相似度和欧几里得距离计算所述未掌握能力向量和所述实训任务向量的相似度；
根据所述相似度和所述实训任务的权重对所述实训任务进行排行，通过排行结果确定实训计划。
3.根据权利要求1所述的基于岗位能力模型的标准化实训方法，其特征在于，对所述岗位实训计划的实训成果进行检测，获得检测结果，包括：
根据所述实训任务编写代码，并确定所述代码的质量和技术框架；
对所述代码进行预处理，将预处理结果转换为语法树；
通过计算所述语法树之间的编辑距离，确定所述代码的相似度；
根据所述代码的相似度、非重复核心函数数量和非核心函数代码行数确定实训成果。
4.根据权利要求3所述的基于岗位能力模型的标准化实训方法，其特征在于，根据所述实训任务编写代码之后，还包括：
预设所述实训任务中的关键任务，并根据所述关键任务制作测试用例；
利用测试框架和测试工具将所述测试用例转换为测试脚本；
根据所述测试脚本对所述代码进行测试，获得测试结果；
对所述测试结果进行分析，确定学生对岗位能力的掌握程度。
5.根据权利要求1所述的基于岗位能力模型的标准化实训方法，其特征在于，利用自然语言处理技术对所述问答库进行标注和分类，确定问题与答案、任务和技能之间的关系，构建问题知识图谱，包括：
通过TextRank算法对所述问题的文本和所述答案的文本进行关键词提取；
利用预训练的技能词典和技能实体识别模型对所述关键词进行识别，确定所述问题相关的技能；
通过计算所述问题的关键词和所述实训任务的文本相似度，确定所述问题相关的任务；
利用所述问题、所述答案、所述技能和所述任务构建所述问题知识图谱。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310410051.0A CN116485597B (zh) | 2023-04-17 | 2023-04-17 | 基于岗位能力模型的标准化实训方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310410051.0A CN116485597B (zh) | 2023-04-17 | 2023-04-17 | 基于岗位能力模型的标准化实训方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116485597A CN116485597A (zh) | 2023-07-25 |
| CN116485597B true CN116485597B (zh) | 2024-05-07 |
Family
ID=87222587
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310410051.0A Active CN116485597B (zh) | 2023-04-17 | 2023-04-17 | 基于岗位能力模型的标准化实训方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116485597B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112101828A (zh) * | 2020-11-23 | 2020-12-18 | 广州万维图灵智能科技有限公司 | 岗位技能评估方法、系统、电子设备及存储介质 |
| CN113723853A (zh) * | 2021-09-08 | 2021-11-30 | 中国工商银行股份有限公司 | 岗位胜任力需求数据处理方法及装置 |
| WO2022036616A1 (zh) * | 2020-08-20 | 2022-02-24 | 中山大学 | 一种基于低标注资源生成可推理问题的方法和装置 |
| CN114357188A (zh) * | 2021-12-28 | 2022-04-15 | 广东省华南技术转移中心有限公司 | 专家匹配方法、装置以及存储介质 |
| CN115774996A (zh) * | 2022-12-05 | 2023-03-10 | 英仕互联(北京)信息技术有限公司 | 智能面试的追问题目生成方法、装置和电子设备 |
| CN115840773A (zh) * | 2022-12-09 | 2023-03-24 | 福寿康智慧(上海)医疗养老服务有限公司 | 大数据生成护理员能力模型及制定培训计划的推荐方法 |
-
2023
- 2023-04-17 CN CN202310410051.0A patent/CN116485597B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022036616A1 (zh) * | 2020-08-20 | 2022-02-24 | 中山大学 | 一种基于低标注资源生成可推理问题的方法和装置 |
| CN112101828A (zh) * | 2020-11-23 | 2020-12-18 | 广州万维图灵智能科技有限公司 | 岗位技能评估方法、系统、电子设备及存储介质 |
| CN113723853A (zh) * | 2021-09-08 | 2021-11-30 | 中国工商银行股份有限公司 | 岗位胜任力需求数据处理方法及装置 |
| CN114357188A (zh) * | 2021-12-28 | 2022-04-15 | 广东省华南技术转移中心有限公司 | 专家匹配方法、装置以及存储介质 |
| CN115774996A (zh) * | 2022-12-05 | 2023-03-10 | 英仕互联(北京)信息技术有限公司 | 智能面试的追问题目生成方法、装置和电子设备 |
| CN115840773A (zh) * | 2022-12-09 | 2023-03-24 | 福寿康智慧(上海)医疗养老服务有限公司 | 大数据生成护理员能力模型及制定培训计划的推荐方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116485597A (zh) | 2023-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7685082B1 (en) | System and method for identifying, prioritizing and encapsulating errors in accounting data | |
| Halkidi et al. | Data mining in software engineering | |
| CN113656805B (zh) | 一种面向多源漏洞信息的事件图谱自动构建方法及系统 | |
| US20160103754A1 (en) | Method and system for grading a computer program | |
| CN113886567A (zh) | 一种基于知识图谱的教学方法及系统 | |
| CN113761444A (zh) | 基于代码评分的教程推荐方法、教程推荐装置及终端设备 | |
| Taherkhani et al. | Automatic recognition of students' sorting algorithm implementations in a data structures and algorithms course | |
| Seki et al. | Detecting bad smells in use case descriptions | |
| Wang et al. | Combining dynamic and static analysis for automated grading sql statements | |
| JP2012243125A (ja) | 因果単語対抽出装置、因果単語対抽出方法および因果単語対抽出用プログラム | |
| Taherkhani et al. | Beacon-and Schema-Based Method for Recognizing Algorithms from Students' Source Code. | |
| CN117331836A (zh) | 一种基于代码语法树分析的评测方法 | |
| Taherkhani et al. | Recognizing algorithms using language constructs, software metrics and roles of variables: An experiment with sorting algorithms | |
| Kamp et al. | SeSaMe: A data set of semantically similar Java methods | |
| Singh | Automated validation of requirement reviews: a machine learning approach | |
| Singh et al. | Detecting mistakes in a domain model | |
| CN116485597B (zh) | 基于岗位能力模型的标准化实训方法 | |
| Currim et al. | Using a knowledge learning framework to predict errors in database design | |
| Hoq et al. | Detecting ChatGPT-Generated Code in a CS1 Course. | |
| Mukelabai et al. | Featracer: Locating features through assisted traceability | |
| Vimalaraj et al. | Automated programming assignment marking tool | |
| CN109299381B (zh) | 一种基于语义概念的软件缺陷检索和分析系统及方法 | |
| Pahl et al. | Interactive correction and recommendation for computer language learning and training | |
| Wickramasinghe et al. | Smart exam evaluator for object-oriented programming modules | |
| CN113568831B (zh) | 基于蜕变测试的自监督深度学习型缺陷定位方法 |
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 |