CN116562836A - 多维迫选题性格测验的方法、装置、电子设备和存储介质 - Google Patents

多维迫选题性格测验的方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN116562836A
CN116562836A CN202310760816.3A CN202310760816A CN116562836A CN 116562836 A CN116562836 A CN 116562836A CN 202310760816 A CN202310760816 A CN 202310760816A CN 116562836 A CN116562836 A CN 116562836A
Authority
CN
China
Prior art keywords
character
question
dimension
adaptive
level
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
Application number
CN202310760816.3A
Other languages
English (en)
Other versions
CN116562836B (zh
Inventor
姚丽
梁崇理
庄唯
刘明鑫
马鹏飞
张巍巍
王丹君
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.)
Beisen Cloud Computing Co ltd
Original Assignee
Beisen Cloud Computing Co 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 Beisen Cloud Computing Co ltd filed Critical Beisen Cloud Computing Co ltd
Priority to CN202310760816.3A priority Critical patent/CN116562836B/zh
Publication of CN116562836A publication Critical patent/CN116562836A/zh
Application granted granted Critical
Publication of CN116562836B publication Critical patent/CN116562836B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/10—Office automation; Time management
    • G06Q10/105—Human resources
    • G06Q10/1053—Employment or hiring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
    • G06F7/38—Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation
    • G06F7/48—Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation using non-contact-making devices, e.g. tube, solid state device; using unspecified devices
    • G06F7/544—Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation using non-contact-making devices, e.g. tube, solid state device; using unspecified devices for evaluating functions by calculation
    • G06F7/556—Logarithmic or exponential functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Algebra (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本发明提供了一种多维迫选题性格测验的方法、装置、电子设备和存储介质，属于人才测评的技术领域，根据受试者对初始化性格水平评估题目的作答结果和各题目描述的预设的参数信息计算各性格维度的初始性格水平，进而根据各性格维度的初始性格水平自适应确定各自适应性格水平评估题目中的性格维度和每个性格维度对应的目标题目描述，实现了因人而异的自适应评估路径，防止了作弊的问题，对于信息量达到预设的信息量阈值的性格维度，后续不再作答覆盖该性格维度的自适应性格水平评估题目，根据实时计算出来的各性格维度的自适应性格水平将剩余的性格维度再组合成自适应性格水平评估题目给到受试者，大大减少了作答的题目的数量，提升了作答体验。

Description

多维迫选题性格测验的方法、装置、电子设备和存储介质
技术领域
本发明涉及人才测评的技术领域，尤其是涉及一种多维迫选题性格测验的方法、装置、电子设备和存储介质。
背景技术
传统的性格测验多是李克特式量表，这种测量形式容易产生各种反应偏差，如默许反应、中心倾向、光环效应等。为此，研究者开始采用迫选式性格测验来减少李克特式测量相关的反应偏差。迫选测验通常由测量不同维度的多个迫选题组成。每个迫选题内由固定数量的来自不同或相同维度的描述（item）组成。当同一题目中的描述（item）分别测量不同维度，被称为多维迫选题（multidimensional forced-choice, MFC）。这里的性格测验是由三选二的多维迫选式题目构成的，题目样式如下表，每道题中包含三条描述（item），每条描述对应不同的性格维度，要求受测者选出最符合自己的一项和最不符合自己的一项。一般会把选择为最符合的一项赋予最高分（比如2分），最不符合的一项赋予最低分（比如0分），中间没有被选择的赋予1分，相当于每道迫选题目中要求受测者对三条不同的性格描述进行排序作答。
可以看出，每个人的性格不同，自然每位受测者对不同性格描述的排序结果不同，得分结果也自然不同。更重要的是，这种针对不同性格维度的排序结果是没有所谓的正确答案的，只要每位受测者根据自己的真实性格倾向去作答即可。
根据性格特质论可以得出，一个人的性格特质是包含很多方面的，实际应用中，为了实现对个体性格特质的全面评估，迫选式性格测验也多是高维的，一般评估的性格维度个数都大于20个。为了让不同维度之间尽可能充分地被比较，比如一个维度要和其它所有维度都有机会出现在同一道题目中，这样就造成题目数量很大，目前迫选测验题目数量也多在100道左右，这就意味着完成测验需要的作答时间会很长。题量过长会使个体疲惫度增高而对测验感到厌烦导致粗心作答，特别是在招聘情境下使用时，甚至会对应聘企业产生不好的印象，影响雇主品牌。
同时，过往整个迫选测验的题目对所有受测者都是一样的，但实际每个人的性格倾向肯定是不同的，有些性格维度对于个人并不需要放在一起进行迫选比较，所以这种固定题本的模式给受测者的作答感受并不好。对企业而言，完全固定题本的测验也存在受测者作弊的风险。
计算机自适应测验（Computerized Adaptive Test, CAT）是随着项目反应理论（Item Response Theory, IRT）和计算机技术发展而出现的一种新的测量手段。将CAT应用到性格评估中，既可以实现因人而异的评估路径，让每位受测者作答的题目都不同，同时又可以只作答和自身性格水平匹配的题目，大大减少作答的题目数量。
首先，目前在个体评估方面，CAT技术多应用在单选题目中，即一道题目只考察一个维度属性，而针对一道题目覆盖多个不同维度的迫选式评估还未见到有自适应技术的应用。其次，评估性格特质的每道题目是没有正确答案的，不能根据受测者上一题作答的正确与否来自适应提供下一题的内容。
综上，如何将计算机自适应技术应用在多维迫选式性格测验中，以达到既能有效减少受测者的作答题量，又能实现因人而异的评估路径的目的成为目前亟需解决的技术问题。
发明内容
有鉴于此，本发明的目的在于提供一种多维迫选题性格测验的方法、装置、电子设备和存储介质，以缓解现有技术无法将计算机自适应技术应用在多维迫选式性格测验中的技术问题。
第一方面，本发明实施例提供了一种多维迫选题性格测验的方法，包括：
获取各初始化性格水平评估题目中预设的性格维度组合方式，并从预设的初始优质题库中随机批量不重复抽取每个所述性格维度对应的题目描述，进而得到各所述初始化性格水平评估题目，其中，所有的所述初始化性格水平评估题目涵盖所有的性格维度；
根据受试者对所述初始化性格水平评估题目的作答结果和所述初始化性格水平评估题目中各题目描述的预设的参数信息计算各所述性格维度的初始性格水平；
根据各所述性格维度的初始性格水平对各所述性格维度进行排序组合，并根据排序组合后的性格维度确定各自适应性格水平评估题目中的性格维度；
根据各所述自适应性格水平评估题目中的性格维度从预设的自适应作业题库中抽取每个所述性格维度对应的目标题目描述，进而得到各所述自适应性格水平评估题目，其中，所述目标题目描述为其对应的性格维度的初始性格水平上对应的信息量最大的题目描述；
基于所述受试者对所述自适应性格水平评估题目的作答结果和所述自适应性格水平评估题目中各题目描述的预设的参数信息计算各所述性格维度的自适应性格水平；
判断各所述性格维度的信息量是否达到预设的信息量阈值；
若达到，则舍弃达到预设的信息量阈值的性格维度，并根据剩余的性格维度的自适应性格水平对各所述剩余的性格维度进行排序组合，并根据排序组合后的性格维度确定各自适应性格水平评估题目中的性格维度；
返回执行根据各所述自适应性格水平评估题目中的性格维度从预设的自适应作业题库中抽取每个所述性格维度对应的目标题目描述，进而得到各所述自适应性格水平评估题目的步骤，直至当所有的性格维度的信息量积累到预设的条件为止；
基于各所述性格维度最后一次计算得到的自适应性格水平确定各所述性格维度的目标得分。
进一步的，所述预设的性格维度组合方式遵循的原则至少包括：同一初始化性格水平评估题目中不同的性格维度的相关值的绝对值处于预设范围，且不同初始化性格水平评估题目中包含的相同的性格维度的数量不大于1。
进一步的，所述预设的初始优质题库、所述预设的自适应作业题库的构建方法和所述信息量的计算方法包括：
获取所有的性格维度的所有的题目描述；
采用多级计分展开模型的参数计算算式和每个所述题目描述的作答结果计算每个所述题目描述的参数信息，其中，所述参数信息包括：区分度、位置参数和陶值；
采用多级计分展开模型的信息量计算算式和每个所述题目描述的作答结果计算每个所述题目描述在其所属的性格维度中不同性格水平上的信息量；
根据每个所述题目描述的参数信息将满足预设的所述初始优质题库的管理规则的题目描述保存至所述初始优质题库；
根据每个所述题目描述的参数信息将满足预设的所述自适应作业题库的管理规则的题目描述保存至所述自适应作业题库。
进一步的，根据受试者对所述初始化性格水平评估题目的作答结果和所述初始化性格水平评估题目中各题目描述的预设的参数信息计算各所述性格维度的初始性格水平，包括：
获取各所述题目描述的预设的参数信息；
根据受试者对所述初始化性格水平评估题目的作答结果拆分得到所述初始化性格水平评估题目中每个所述题目描述的作答结果；
基于每个性格维度下的所有题目描述的作答结果和对应性格维度下的所有题目描述的参数信息计算各所述性格维度的初始性格水平。
进一步的，根据排序组合后的性格维度确定各自适应性格水平评估题目中的性格维度，包括：
在所述排序组合后的性格维度中，将相邻最近的N个维度按照衔尾蛇规则组成各所述自适应性格水平评估题目中的性格维度，其中，N为大于2的正整数。
进一步的，每个所述题目描述的作答结果为受试者对新题题库中的题目描述进行作答后得到的作答结果，其中，所述新题题库中包含测评专家所出的题目描述，且其中覆盖的性格维度的种类满足设备要求的规则。
进一步的，所述方法还包括：
基于各所述性格维度的目标得分生成性格分析报告。
第二方面，本发明实施例还提供了一种多维迫选题性格测验的装置，包括：
初始化性格水平评估题目确定单元，用于获取各初始化性格水平评估题目中预设的性格维度组合方式，并从预设的初始优质题库中随机批量不重复抽取每个所述性格维度对应的题目描述，进而得到各所述初始化性格水平评估题目，其中，所有的所述初始化性格水平评估题目涵盖所有的性格维度；
第一计算单元，用于根据受试者对所述初始化性格水平评估题目的作答结果和所述初始化性格水平评估题目中各题目描述的预设的参数信息计算各所述性格维度的初始性格水平；
第一排序组合单元，用于根据各所述性格维度的初始性格水平对各所述性格维度进行排序组合，并根据排序组合后的性格维度确定各自适应性格水平评估题目中的性格维度；
自适应性格水平评估题目确定单元，用于根据各所述自适应性格水平评估题目中的性格维度从预设的自适应作业题库中抽取每个所述性格维度对应的目标题目描述，进而得到各所述自适应性格水平评估题目，其中，所述目标题目描述为其对应的性格维度的初始性格水平上对应的信息量最大的题目描述；
第二计算单元，用于基于所述受试者对所述自适应性格水平评估题目的作答结果和所述自适应性格水平评估题目中各题目描述的预设的参数信息计算各所述性格维度的自适应性格水平；
判断单元，用于判断各所述性格维度的信息量是否达到预设的信息量阈值；
第二排序组合单元，用于若达到，则舍弃达到预设的信息量阈值的性格维度，并根据剩余的性格维度的自适应性格水平对各所述剩余的性格维度进行排序组合，并根据排序组合后的性格维度确定各自适应性格水平评估题目中的性格维度；
返回执行单元，用于返回执行根据各所述自适应性格水平评估题目中的性格维度从预设的自适应作业题库中抽取每个所述性格维度对应的目标题目描述，进而得到各所述自适应性格水平评估题目的步骤，直至当所有的性格维度的信息量积累到预设的条件为止；
确定单元，用于基于各所述性格维度最后一次计算得到的自适应性格水平确定各所述性格维度的目标得分。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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第一方面任一项所述的方法的步骤。
第四方面，本发明实施例还提供了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机器可运行指令，所述机器可运行指令在被处理器调用和运行时，所述机器可运行指令促使所述处理器运行上述第一方面任一项所述的方法。
在本发明实施例中，提供了一种多维迫选题性格测验的方法，包括：获取各初始化性格水平评估题目中预设的性格维度组合方式，并从预设的初始优质题库中随机批量不重复抽取每个性格维度对应的题目描述，进而得到各初始化性格水平评估题目，其中，所有的初始化性格水平评估题目涵盖所有的性格维度；根据受试者对初始化性格水平评估题目的作答结果和初始化性格水平评估题目中各题目描述的预设的参数信息计算各性格维度的初始性格水平；根据各性格维度的初始性格水平对各性格维度进行排序组合，并根据排序组合后的性格维度确定各自适应性格水平评估题目中的性格维度；根据各自适应性格水平评估题目中的性格维度从预设的自适应作业题库中抽取每个性格维度对应的目标题目描述，进而得到各自适应性格水平评估题目，其中，目标题目描述为其对应的性格维度的初始性格水平上对应的信息量最大的题目描述；基于受试者对自适应性格水平评估题目的作答结果和自适应性格水平评估题目中各题目描述的预设的参数信息计算各性格维度的自适应性格水平；判断各性格维度的信息量是否达到预设的信息量阈值；若达到，则舍弃达到预设的信息量阈值的性格维度，并根据剩余的性格维度的自适应性格水平对各剩余的性格维度进行排序组合，并根据排序组合后的性格维度确定各自适应性格水平评估题目中的性格维度；返回执行根据各自适应性格水平评估题目中的性格维度从预设的自适应作业题库中抽取每个性格维度对应的目标题目描述，进而得到各自适应性格水平评估题目的步骤，直至当所有的性格维度的信息量积累到预设的条件为止；基于各性格维度最后一次计算得到的自适应性格水平确定各性格维度的目标得分。通过上述描述可知，本发明的多维迫选题性格测验的方法中，是根据受试者对初始化性格水平评估题目的作答结果和初始化性格水平评估题目中各题目描述的预设的参数信息计算各性格维度的初始性格水平的，进而根据各性格维度的初始性格水平自适应确定各自适应性格水平评估题目中的性格维度和每个性格维度对应的目标题目描述，也就是将计算机自适应技术应用在了多维迫选式性格测验中，实现了因人而异的自适应评估路径，防止了作弊的问题，另外，对于信息量达到预设的信息量阈值的性格维度，后续不再作答覆盖该性格维度的自适应性格水平评估题目，并且根据实时计算出来的各性格维度的自适应性格水平将剩余的性格维度再组合成自适应性格水平评估题目给到受试者，这样，大大减少了作答的题目的数量，提升了作答体验，缓解了现有技术无法将计算机自适应技术应用在多维迫选式性格测验中的技术问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明实施例提供的一种多维迫选题性格测验的方法的流程图；
图2为本发明实施例提供的一种多维迫选题性格测验的装置的示意图；
图3为本发明实施例提供的一种电子设备的示意图。
具体实施方式
下面将结合实施例对本发明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做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。
现有技术无法将计算机自适应技术应用在多维迫选式性格测验中。
基于此，本发明的多维迫选题性格测验的方法中，是根据受试者对初始化性格水平评估题目的作答结果和初始化性格水平评估题目中各题目描述的预设的参数信息计算各性格维度的初始性格水平的，进而根据各性格维度的初始性格水平自适应确定各自适应性格水平评估题目中的性格维度和每个性格维度对应的目标题目描述，也就是将计算机自适应技术应用在了多维迫选式性格测验中，实现了因人而异的自适应评估路径，防止了作弊的问题，另外，对于信息量达到预设的信息量阈值的性格维度，后续不再作答覆盖该性格维度的自适应性格水平评估题目，并且根据实时计算出来的各性格维度的自适应性格水平将剩余的性格维度再组合成自适应性格水平评估题目给到受试者，这样，大大减少了作答的题目的数量，提升了作答体验。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种多维迫选题性格测验的方法进行详细介绍。
实施例一：
根据本发明实施例，提供了一种多维迫选题性格测验的方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种多维迫选题性格测验的方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取各初始化性格水平评估题目中预设的性格维度组合方式，并从预设的初始优质题库中随机批量不重复抽取每个性格维度对应的题目描述，进而得到各初始化性格水平评估题目，其中，所有的初始化性格水平评估题目涵盖所有的性格维度；
在本发明实施例中，以三选二初始化性格水平评估题目（即迫选题）为例进行说明（当然，本发明实施例对多维迫选题中的维度不进行具体限制，还可以是四选二）。
在实际应用中，已经对每个初始化性格水平评估题目所包含的三个性格维度的组合进行了预设，也就是说可以直接获取各初始化性格水平评估题目中预设的性格维度组合，然后从预设的初始优质题库中随机批量不重复抽取每个性格维度对应的题目描述。具体的，可以从预设的初始优质题库中随机不重复抽取每个性格维度对应的3个题目描述，如此，便得到了各初始化性格水平评估题目。
例如，本发明中的所有的性格维度的数量为30个，分别是D1、D2、…、D30，如果只将30个性格维度以每三个性格维度进行组合得到一个初始化性格水平评估题目，那么30个性格维度可以得到10个初始化性格水平评估题目，但是，发明人考虑到每个性格维度只对应一个初始化性格水平评估题目进行测验，测验的准确性较差，所以，发明人选择每个性格维度对应三个不同的初始化性格水平评估题目。如，对于D1这个性格维度，其对应的初始化性格水平评估题目包括：第一个初始化性格水平评估题目中的性格维度为D1、D3和D8；第二个初始化性格水平评估题目中的性格维度为D1、D4和D9；第三个初始化性格水平评估题目中的性格维度为D1、D5和D17，上述初始化性格水平评估题目中各性格维度组合的方式是预设的，由于每个性格维度对应三个不同的初始化性格水平评估题目，所以，从预设的初始优质题库中随机批量不重复抽取D1这个性格维度对应的题目描述时，需要随机不重复抽取D1这个性格维度对应的3个题目描述，作为上述三个初始化性格水平评估题目中的D1这个性格维度的题目描述，对于其它的性格维度，也按照该方式进行抽取，如此，便得到了各初始化性格水平评估题目，其中，每个初始化性格水平评估题目中包括3个性格维度，每个性格维度对应一个题目描述，另外，上述所有的初始化性格水平评估题目涵盖所有的性格维度（如上述举例中的30个性格维度，本发明中，每个性格维度出现在3个不同的初始化性格水平评估题目中）。
步骤S104，根据受试者对初始化性格水平评估题目的作答结果和初始化性格水平评估题目中各题目描述的预设的参数信息计算各性格维度的初始性格水平；
在得到初始化性格水平评估题目后，向受试者一道一道呈现初始化性格水平评估题目，进而，受试者对初始化性格水平评估题目进行作答，最后，根据受试者对初始化性格水平评估题目的作答结果和初始化性格水平评估题目中各题目描述的预设的参数信息计算各性格维度的初始性格水平。下文中再对计算各性格维度的初始性格水平的过程进行详细介绍，在此不再赘述。
步骤S106，根据各性格维度的初始性格水平对各性格维度进行排序组合，并根据排序组合后的性格维度确定各自适应性格水平评估题目中的性格维度；
具体的，为了明确下一步提供给受试者的自适应性格水平评估题目涉及的性格维度，设备根据受试者在全量（即所有的）性格维度的初始水平值，对所有性格维度进行实时排序分组。如上述举例，若性格维度的数量为30个，在得到每个性格维度的初始性格水平后，根据各性格维度的初始性格水平对各性格维度进行排序（具体可以为按照初始性格水平降序的方式对30个性格维度进行排序），排序后，再对排序后的30个性格维度进行分组，例如，每10个分为一组，如此，便得到了3个排序组合后的性格维度分组，每个排序组合后的性格维度分组中包含10个性格维度，进而根据每个排序组合后的性格维度确定各自适应性格水平评估题目中的性格维度，下文中再对该过程进行详细描述，在此不再赘述。
步骤S108，根据各自适应性格水平评估题目中的性格维度从预设的自适应作业题库中抽取每个性格维度对应的目标题目描述，进而得到各自适应性格水平评估题目，其中，目标题目描述为其对应的性格维度的初始性格水平上对应的信息量最大的题目描述；
具体的，在设备针对所有的性格维度组合完成最新的自适应性格水平评估题目形式后，为了明确接下来每个性格维度下提供给受试者的具体目标题目描述内容，设备会基于受试者当下最新获取到的在所有性格维度的性格水平，从对应自适应作业题库中批量抽取所有性格维度对应的题目描述，题目描述的抽取不再是随机抽取，而是抽取每个性格维度当前性格水平值下对应的信息量最大的那一条题目描述。
系统预设有每个题目描述在其所属的性格维度中不同性格水平上的信息量的表格。如，每个性格维度的性格水平的取值范围为[-3,3]，将这个区间等距地划分为601份，进而计算得到每个性格水平下对应的每条题目描述的信息量。如D1性格维度的各性格水平下对应的每条题目描述的信息量如下表所示：
若从上述预设的自适应作业题库中抽取D1性格维度对应的目标题目描述时，若此时D1性格维度的初始性格水平为-2.99，那么从上表中确定性格水平为-2.99对应的信息量最大（0.34）的题目描述为item9（即得到的目标题目描述，作为D1性格维度对应的目标题目描述），如此，便能得到各自适应性格水平评估题目，其中，每个自适应性格水平评估题目中包括3个性格维度，每个性格维度对应一个目标题目描述。
步骤S110，基于受试者对自适应性格水平评估题目的作答结果和自适应性格水平评估题目中各题目描述的预设的参数信息计算各性格维度的自适应性格水平；
在得到自适应性格水平评估题目后，向受试者一道一道呈现自适应性格水平评估题目，进而，受试者对自适应性格水平评估题目进行作答，最后，基于受试者对自适应性格水平评估题目的作答结果和自适应性格水平评估题目中各题目描述的预设的参数信息计算各性格维度的自适应性格水平。下文中再对该过程进行详细描述，在此不再赘述。
步骤S112，判断各性格维度的信息量是否达到预设的信息量阈值；
具体的，在进行完一轮自适应性格水平评估题目的作答后，判断各性格维度的信息量是否达到预设的信息量阈值，如将每个性格维度下实际作答的所有题目描述对应的信息量求和，将总和数值与系统预设的一个固定水平值进行比较，若达到统预设的一个固定水平值，则说明达到了预设的信息量阈值。
受试者每完成一轮作答，设备实时评估各个性格维度的信息水平，当受试者的部分性格维度的信息量水平达到设备预置标准后，终止这些性格维度的流程，那么接下来这位受试者就不会再做到关于这些性格维度的题目。系统会围绕剩下的其他性格维度继续批量动态分组和组合。
步骤S114，若达到，则舍弃达到预设的信息量阈值的性格维度，并根据剩余的性格维度的自适应性格水平对各剩余的性格维度进行排序组合，并根据排序组合后的性格维度确定各自适应性格水平评估题目中的性格维度；
这里的排序组合与上文中的排序组合的方式相似，在此不再赘述，可以参考上文中相关内容的具体描述。根据排序组合后的性格维度确定各自适应性格水平评估题目中的性格维度的过程与上述步骤S106中的相关内容相似，将在下文中进行具体介绍。
若都未达到，还继续根据性格维度的自适应性格水平对各性格维度进行排序组合，并根据排序组合后的性格维度确定各自适应性格水平评估题目中的性格维度。
步骤S116，返回执行根据各自适应性格水平评估题目中的性格维度从预设的自适应作业题库中抽取每个性格维度对应的目标题目描述，进而得到各自适应性格水平评估题目的步骤，直至当所有的性格维度的信息量积累到预设的条件为止；
上述预设的条件具体可以为达到各自对应的预设的信息量阈值，此时，设备停止推送题目的动作。
步骤S118，基于各性格维度最后一次计算得到的自适应性格水平确定各性格维度的目标得分。
具体的，各性格维度最后一次计算得到的自适应性格水平为[-3,3]的数值，该值不能很好的表现出各性格维度的具体情况，所以需要将该值转化为0-10之间的标准值（或者0-1之间的标准值，或者0-100之间的标准值），从而得到各性格维度的目标得分。
在本发明实施例中，提供了一种多维迫选题性格测验的方法，包括：获取各初始化性格水平评估题目中预设的性格维度组合方式，并从预设的初始优质题库中随机批量不重复抽取每个性格维度对应的题目描述，进而得到各初始化性格水平评估题目，其中，所有的初始化性格水平评估题目涵盖所有的性格维度；根据受试者对初始化性格水平评估题目的作答结果和初始化性格水平评估题目中各题目描述的预设的参数信息计算各性格维度的初始性格水平；根据各性格维度的初始性格水平对各性格维度进行排序组合，并根据排序组合后的性格维度确定各自适应性格水平评估题目中的性格维度；根据各自适应性格水平评估题目中的性格维度从预设的自适应作业题库中抽取每个性格维度对应的目标题目描述，进而得到各自适应性格水平评估题目，其中，目标题目描述为其对应的性格维度的初始性格水平上对应的信息量最大的题目描述；基于受试者对自适应性格水平评估题目的作答结果和自适应性格水平评估题目中各题目描述的预设的参数信息计算各性格维度的自适应性格水平；判断各性格维度的信息量是否达到预设的信息量阈值；若达到，则舍弃达到预设的信息量阈值的性格维度，并根据剩余的性格维度的自适应性格水平对各剩余的性格维度进行排序组合，并根据排序组合后的性格维度确定各自适应性格水平评估题目中的性格维度；返回执行根据各自适应性格水平评估题目中的性格维度从预设的自适应作业题库中抽取每个性格维度对应的目标题目描述，进而得到各自适应性格水平评估题目的步骤，直至当所有的性格维度的信息量积累到预设的条件为止；基于各性格维度最后一次计算得到的自适应性格水平确定各性格维度的目标得分。通过上述描述可知，本发明的多维迫选题性格测验的方法中，是根据受试者对初始化性格水平评估题目的作答结果和初始化性格水平评估题目中各题目描述的预设的参数信息计算各性格维度的初始性格水平的，进而根据各性格维度的初始性格水平自适应确定各自适应性格水平评估题目中的性格维度和每个性格维度对应的目标题目描述，也就是将计算机自适应技术应用在了多维迫选式性格测验中，实现了因人而异的自适应评估路径，防止了作弊的问题，另外，对于信息量达到预设的信息量阈值的性格维度，后续不再作答覆盖该性格维度的自适应性格水平评估题目，并且根据实时计算出来的各性格维度的自适应性格水平将剩余的性格维度再组合成自适应性格水平评估题目给到受试者，这样，大大减少了作答的题目的数量，提升了作答体验，缓解了现有技术无法将计算机自适应技术应用在多维迫选式性格测验中的技术问题。
上文中对本发明的多维迫选题性格测验的方法进行了简要介绍，下面对其中涉及到的具体内容进行详细描述。
在本发明的一个可选实施例中，预设的性格维度组合方式遵循的原则至少包括：同一初始化性格水平评估题目中不同的性格维度的相关值的绝对值处于预设范围，且不同初始化性格水平评估题目中包含的相同的性格维度的数量不大于1。
具体的，不能随意三个不同的性格维度就适合放在一起组成一个初始化性格水平评估题目。根据模拟研究，比如不能把性格维度间存在高负相关或高正相关的放在一起，因此最终坚持两个原则，一方面将同一个初始化性格水平评估题目中不同性格维度间相关值的绝对值控制在一个恰当的范围内，另一方面，也要保证本阶段所有初始化性格水平评估题目的维度组合方式是完全不重复的，即不同初始化性格水平评估题目中包含的相同的性格维度的数量不大于1。
在本发明的一个可选实施例中，预设的初始优质题库、预设的自适应作业题库的构建方法和信息量的计算方法包括：
（1）获取所有的性格维度的所有的题目描述；
具体的，收集覆盖全量性格维度的若干题目描述数据。
（2）采用多级计分展开模型的参数计算算式和每个题目描述的作答结果计算每个题目描述的参数信息，其中，参数信息包括：区分度、位置参数和陶值；
具体的，因为评估性格水平的题目描述是没有所谓的正确错误区分，过往针对每道迫选题目进行排序式计分，具体指每道迫选题中选择最符合的一项计2 分, 最不符合的记0 分, 未选择项记1 分。而本发明中，利用GGUM算法公式估计参数信息的基础上，不再是束缚于一个迫选题（即初始化性格水平评估题目或自适应性格水平评估题目）内部进行排序，而是把每道迫选题目拆解成一条条独立的单维题目描述进行估计，每条题目描述评估一个性格维度。例如，对于三选二式迫选题目，就是把每道迫选题拆成3条独立的不同性格维度题目描述，针对每条描述进行估算，结合每条描述的作答结果，估算出具体的参数信息。
每条题目描述的参数信息包括区分度（α）、位置参数（δ）、陶值（τ）。利用R软件中GGUM（多级计分展开模型）数据包估算出每个题目描述的参数信息，上述题目描述的参数信息需要提前计算好并储备在线上系统。具体计算公式如下：
其中，P 性格水平为的受试者在第条题目描述上选择选项的概率。表示题目的作答结果。=0,1,2，…，C，若=0代表选择了最不符合选项，反之若=C代表选择了最符合选项。C等于一道迫选题目中选项个数减去1的数值，对于示例中三选二迫选题来说，C=2。M=2C+1，M表示所有可能选择情况的数量减去1，对于示例中三选二迫选题来说，M=6-1=5。表示第条题目描述的区分度，表示第条题目描述的位置参数，表示第条题目描述的陶值参数，对于每条题目描述实际参与计算的有3个陶值，分别为。表示在所有可能作答模式下的加和。表示受试者的性格水平值，表示受试者的性格水平值与第条题目描述的位置参数之间的距离，表示所有可能的作答选择，。
（3）采用多级计分展开模型的信息量计算算式和每个题目描述的作答结果计算每个题目描述在其所属的性格维度中不同性格水平上的信息量；
具体的，每个性格维度的性格水平的取值范围是[-3,3]，将这个区间等距地划分为601份，计算每个性格水平下对应的每条题目描述的信息量。
每道题目描述的信息量表按照信息量计算算式提前计算并储备在线上系统，计算公式如下：
其中，表示性格水平值为的受试者在第条题目描述上的信息量。L表示出现当前受测者作答模式的概率。
其中，表示第i条题目描述的区分度，为受试者在第条题目描述上的选择结果。相同的参数含义同上，不再赘述。公式中由以下公式计算得到，即为自定义的5个中间参量，没有具体的含义：
（4）根据每个题目描述的参数信息将满足预设的初始优质题库的管理规则的题目描述保存至初始优质题库中对应的性格维度下的位置上；
具体的，初始优质题库中包括各性格维度对应的题目描述以及题目描述的参数信息。
上述预设的初始优质题库的管理规则是提前存储在线上服务器中的，该规则主要是出于评估准确性和作答体验的双重考虑，包含多条内容，例如：规定题目描述的区分度参数需要高于某个数值（如0.8）、同一初始化性格水平评估题目中不同题目描述的社会称许性水平差值要小于某个数值（社会称许性是指受试者作答每条题目描述的装好程度，在研发初始化性格水平评估题目时，收集了每条题目描述的社会称许性数值，控制同时出现在一道初始化性格水平评估题目中的所有题目描述之间的社会称许性水平差值不能太大，也就是彼此间差值要小于某个数值）、每个性格维度下题目描述的个数有最低数量限制等。
（5）根据每个题目描述的参数信息将满足预设的自适应作业题库的管理规则的题目描述保存至自适应作业题库。
具体的，自适应作业题库中包括各性格维度对应的题目描述以及题目描述的参数信息。
上述预设的自适应作业题库的管理规则包括：将全量（即所有的）性格维度下跨越不同参数信息区间的题目描述存入自适应作业题库（即跨越不同参数信息区间指的是题目描述的参数信息的跨度比较大，如按时完成工作（体现中等水平的责任感）和没按时提交，会非常自责（体现高水平的责任感），同时要保证各性格维度下题目描述的数量满足设备预置的规定。在模拟研究中，计算自适应测验与现有固定题本测验之间的相关值，发现当性格维度下的题目描述个数低于某个数值时，相关值开始出现较大的降低，因此将该数值定义为性格维度下需要满足的最低题目描述数量。因此，系统预置规则中限制自适应阶段全量维度下的每个性格维度都需要大于该最低数量值。
在本发明的一个可选实施例中，根据受试者对初始化性格水平评估题目的作答结果和初始化性格水平评估题目中各题目描述的预设的参数信息计算各性格维度的初始性格水平，具体包括如下步骤：
（1）获取各题目描述的预设的参数信息；
（2）根据受试者对初始化性格水平评估题目的作答结果拆分得到初始化性格水平评估题目中每个题目描述的作答结果；
（3）基于每个性格维度下的所有题目描述的作答结果和对应性格维度下的所有题目描述的参数信息计算各性格维度的初始性格水平。
以“成功愿望（CGYW）”这个性格维度为例说明如何计算性格维度水平值，假设某位受试者在3道初始化性格水平评估题目中做到了评估成功愿望的题目。首先拆分并提取出关于成功愿望的3条题目描述，如下表：
CGYW_item1 CGYW_item2 CGYW_item3
受试者 2（α1，δ1，τ1） 0（α2，δ2，τ2） 1（α3，δ3，τ3）
当受试者作答完CGYW_item1之后，假设受试者选择的是最符合选项，作答原始分得2分，计算公式为：
其中，的值表示性格水平θ的不同假设值，将这个区间等距地划分为601份，就可以获得601个值，每一个值就是一个性格水平值的一个代表，值也被叫做积点。是下出现当前作答模式的概率。表示 CGYW_item1的区分度，表示第CGYW_item1的位置参数，表示 CGYW_item1的陶值参数，对于每条题目描述实际参与计算的有3个陶值，分别为，所以表示每条题目描述陶值的不同数值。表示受试者的性格水平值。表示所有可能的作答选择，在此示例中=0,1,2。
当受试者作答完CGYW_item2之后，假设受试者选择的是最不符合的选项，作答原始分得0分，即第一条描述作答得2分，第二条描述作答得0分，计算公式为：
其中，和上面公式相同的参量不再赘述说明，新的参量中表示 CGYW_item2的区分度，表示第CGYW_item2的位置参数，表示 CGYW_item2的陶值参数，对于每条题目描述实际参与计算的有3个陶值，分别为。
当受试者作答完CGYW_item3之后，假设受试者选择的是中间选项，作答原始分得1分，即第一条描述作答得2分，第二条描述作答得0分，第三条描述作答得1分，计算公式为：
其中，和上面公式相同的参量不再赘述说明，新的参量中表示 CGYW_item3的区分度，表示第CGYW_item3的位置参数，表示 CGYW_item3的陶值参数，对于每条题目描述实际参与计算的有3个陶值，分别为。
接下来，利用以下公式：
其中，的值表示性格水平θ的不同假设值，将这个区间等距地划分为601份，就可以获得601个值，每一个值就是一个性格水平值的一个代表，值也被叫做积点，f表示性格水平值的不同假设值。是下出现当前作答模式的概率。F是积点数量，F=601，主要做循环使用。其中，表示的权重。计算公式如下：
公式中，将值的601个不同值，依次代入到上面计算成功愿望水平值的公式中，就获得了601个、，进而计算出成功愿望的初始性格水平：。同理可计算出其他所有性格维度的初始性格水平。
上述基于受试者对自适应性格水平评估题目的作答结果和自适应性格水平评估题目中各题目描述的预设的参数信息计算各性格维度的自适应性格水平的过程与上文中计算各性格维度的初始性格水平的过程相似。如，当受试者对自适应性格水平评估题目的作答结果中成功愿望（CGYW）这个性格维度对应的题目描述CGYW_item4作答的是不符合，那么CGYW_item4对应的得分为0分，将其参数信息用于进行成功愿望性格维度的自适应性格水平的计算，即：在的基础上再乘以。
在本发明的一个可选实施例中，根据排序组合后的性格维度确定各自适应性格水平评估题目中的性格维度，包括：
在排序组合后的性格维度中，将相邻最近的N个维度按照衔尾蛇规则组成各自适应性格水平评估题目中的性格维度，其中，N为大于2的正整数。
具体的，举例说明本发明中的衔尾蛇规则，假设其中一个排序组合后的性格维度中，有10个性格维度（分别为D1、D2、D3、D4、D5、D6、D7、D8、D9、D10），那么这10个性格维度组成的各自适应性格水平评估题目中的性格维度即为D1-D2-D3、D3-D4-D5、D5-D6-D7 、D7-D8-D9 、D9-D10-D1（三选二形式的迫选题，相邻3个不同的性格维度组合，如果是四选二迫选题就是相邻4个不同的性格维度组合），要保证不同的自适应性格水平评估题目之间首尾性格维度是一样的。
在本发明的一个可选实施例中，每个题目描述的作答结果为受试者对新题题库中的题目描述进行作答后得到的作答结果，其中，新题题库中包含测评专家所出的题目描述，且其中覆盖的性格维度的种类满足设备要求的规则。
在本发明的一个可选实施例中，该方法还包括：
基于各性格维度的目标得分生成性格分析报告。
具体的，性格分析报告中包括各性格维度的目标得分，还包括对上述各性格维度的目标得分进行应用场景分析后，得到的应用场景分析信息，如面试建议，发展建议之类的信息。
本发明的多维迫选题性格测验的方法既可以有效减少受试者的作答题量，又可以实现因人而异的评估路径，进而达到提升作答体验、防止作弊的问题，即让受试者只用做和个人水平匹配的少量迫选题目就达到可接受的精准评估，实现了因人而异的作答路径，还可以减少作答时间、提升作答体验。
本发明的多维迫选题性格测验的方法具有以下优点：
（1）将自适应技术应用到多维迫选式性格测验中，在保证计分准确性的同时让作答体验升级。在自适应阶段，计算机根据受试者的性格水平实时批量推送与之水平最接近的自适应性格水平评估题目，一方面，对于受试者来说，某些性格维度不必再同时放在一起进行迫选比较，受试者在这些维度的性格倾向已经明确且稳定，这样可以给受试者带来更好的作答体验；另一方面，受试者不必再作答覆盖所有性格维度的题目，而是根据实时计算出来的性格水平确定出还待进一步评估的部分性格维度，将这些性格维度再组合成自适应性格水平评估题目给到受试者，这样大大减少了作答的题目数量，基本可以减少一半。
（2）实现了因人而异的自适应评估路径，打破了迫选式性格测验固定题本的模式，有效规避实际评估中的作伪风险。首先，本发明中会结合受试者实时的作答结果，自适应抽取不同的性格维度组合、不同的描述内容构成迫选题目，实现了因人而异的自适应评估路径。其次，在计分上，本发明是基于项目反应理论（IRT）的广义等级展开模型（GGUM），计算出每条性格维度题目描述（item）的参数信息，并结合受试者对每条题目描述的选择结果，进而计算出每个性格维度下所有题目描述的分数，最终计算受试者的所有性格维度得分。最后，每位受试者的性格倾向是不同的，有些性格维度对于个人是有明显的选择倾向的，体现在性格水平上就是两个性格维度的水平差值较大，那么就不需要放在一起进行迫选比较，这样给受测者的作答感受也较好。
实施例二：
本发明实施例还提供了一种多维迫选题性格测验的装置，该多维迫选题性格测验的装置主要用于执行本发明实施例一中所提供的多维迫选题性格测验的方法，以下对本发明实施例提供的多维迫选题性格测验的装置做具体介绍。
图2是根据本发明实施例的一种多维迫选题性格测验的装置的示意图，如图2所示，该装置主要包括：初始化性格水平评估题目确定单元10、第一计算单元20、第一排序组合单元30、自适应性格水平评估题目确定单元40、第二计算单元50、判断单元60、第二排序组合单元70、返回执行单元80和确定单元90，其中：
初始化性格水平评估题目确定单元，用于获取各初始化性格水平评估题目中预设的性格维度组合方式，并从预设的初始优质题库中随机批量不重复抽取每个性格维度对应的题目描述，进而得到各初始化性格水平评估题目，其中，所有的初始化性格水平评估题目涵盖所有的性格维度；
第一计算单元，用于根据受试者对初始化性格水平评估题目的作答结果和初始化性格水平评估题目中各题目描述的预设的参数信息计算各性格维度的初始性格水平；
第一排序组合单元，用于根据各性格维度的初始性格水平对各性格维度进行排序组合，并根据排序组合后的性格维度确定各自适应性格水平评估题目中的性格维度；
自适应性格水平评估题目确定单元，用于根据各自适应性格水平评估题目中的性格维度从预设的自适应作业题库中抽取每个性格维度对应的目标题目描述，进而得到各自适应性格水平评估题目，其中，目标题目描述为其对应的性格维度的初始性格水平上对应的信息量最大的题目描述；
第二计算单元，用于基于受试者对自适应性格水平评估题目的作答结果和自适应性格水平评估题目中各题目描述的预设的参数信息计算各性格维度的自适应性格水平；
判断单元，用于判断各性格维度的信息量是否达到预设的信息量阈值；
第二排序组合单元，用于若达到，则舍弃达到预设的信息量阈值的性格维度，并根据剩余的性格维度的自适应性格水平对各剩余的性格维度进行排序组合，并根据排序组合后的性格维度确定各自适应性格水平评估题目中的性格维度；
返回执行单元，用于返回执行根据各自适应性格水平评估题目中的性格维度从预设的自适应作业题库中抽取每个性格维度对应的目标题目描述，进而得到各自适应性格水平评估题目的步骤，直至当所有的性格维度的信息量积累到预设的条件为止；
确定单元，用于基于各性格维度最后一次计算得到的自适应性格水平确定各性格维度的目标得分。
在本发明实施例中，提供了一种多维迫选题性格测验的装置，包括：获取各初始化性格水平评估题目中预设的性格维度组合方式，并从预设的初始优质题库中随机批量不重复抽取每个性格维度对应的题目描述，进而得到各初始化性格水平评估题目，其中，所有的初始化性格水平评估题目涵盖所有的性格维度；根据受试者对初始化性格水平评估题目的作答结果和初始化性格水平评估题目中各题目描述的预设的参数信息计算各性格维度的初始性格水平；根据各性格维度的初始性格水平对各性格维度进行排序组合，并根据排序组合后的性格维度确定各自适应性格水平评估题目中的性格维度；根据各自适应性格水平评估题目中的性格维度从预设的自适应作业题库中抽取每个性格维度对应的目标题目描述，进而得到各自适应性格水平评估题目，其中，目标题目描述为其对应的性格维度的初始性格水平上对应的信息量最大的题目描述；基于受试者对自适应性格水平评估题目的作答结果和自适应性格水平评估题目中各题目描述的预设的参数信息计算各性格维度的自适应性格水平；判断各性格维度的信息量是否达到预设的信息量阈值；若达到，则舍弃达到预设的信息量阈值的性格维度，并根据剩余的性格维度的自适应性格水平对各剩余的性格维度进行排序组合，并根据排序组合后的性格维度确定各自适应性格水平评估题目中的性格维度；返回执行根据各自适应性格水平评估题目中的性格维度从预设的自适应作业题库中抽取每个性格维度对应的目标题目描述，进而得到各自适应性格水平评估题目的步骤，直至当所有的性格维度的信息量积累到预设的条件为止；基于各性格维度最后一次计算得到的自适应性格水平确定各性格维度的目标得分。通过上述描述可知，本发明的多维迫选题性格测验的装置中，是根据受试者对初始化性格水平评估题目的作答结果和初始化性格水平评估题目中各题目描述的预设的参数信息计算各性格维度的初始性格水平的，进而根据各性格维度的初始性格水平自适应确定各自适应性格水平评估题目中的性格维度和每个性格维度对应的目标题目描述，也就是将计算机自适应技术应用在了多维迫选式性格测验中，实现了因人而异的自适应评估路径，防止了作弊的问题，另外，对于信息量达到预设的信息量阈值的性格维度，后续不再作答覆盖该性格维度的自适应性格水平评估题目，并且根据实时计算出来的各性格维度的自适应性格水平将剩余的性格维度再组合成自适应性格水平评估题目给到受试者，这样，大大减少了作答的题目的数量，提升了作答体验，缓解了现有技术无法将计算机自适应技术应用在多维迫选式性格测验中的技术问题。
可选地，预设的性格维度组合方式遵循的原则至少包括：同一初始化性格水平评估题目中不同的性格维度的相关值的绝对值处于预设范围，且不同初始化性格水平评估题目中包含的相同的性格维度的数量不大于1。
可选地，该装置还用于：获取所有的性格维度的所有的题目描述；采用多级计分展开模型的参数计算算式和每个题目描述的作答结果计算每个题目描述的参数信息，其中，参数信息包括：区分度、位置参数和陶值；采用多级计分展开模型的信息量计算算式和每个题目描述的作答结果计算每个题目描述在其所属的性格维度中不同性格水平上的信息量；根据每个题目描述的参数信息将满足预设的初始优质题库的管理规则的题目描述保存至初始优质题库；根据每个题目描述的参数信息将满足预设的自适应作业题库的管理规则的题目描述保存至自适应作业题库。
可选地，第一计算单元还用于：获取各题目描述的预设的参数信息；根据受试者对初始化性格水平评估题目的作答结果拆分得到初始化性格水平评估题目中每个题目描述的作答结果；基于每个性格维度下的所有题目描述的作答结果和对应性格维度下的所有题目描述的参数信息计算各性格维度的初始性格水平。
可选地，第一排序组合单元还用于：在排序组合后的性格维度中，将相邻最近的N个维度按照衔尾蛇规则组成各自适应性格水平评估题目中的性格维度，其中，N为大于2的正整数。
可选地，每个题目描述的作答结果为受试者对新题题库中的题目描述进行作答后得到的作答结果，其中，新题题库中包含测评专家所出的题目描述，且其中覆盖的性格维度的种类满足设备要求的规则。
可选地，该装置还用于：基于各性格维度的目标得分生成性格分析报告。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
如图3所示，本申请实施例提供的一种电子设备600，包括：处理器601、存储器602和总线，所述存储器602存储有所述处理器601可执行的机器可读指令，当电子设备运行时，所述处理器601与所述存储器602之间通过总线通信，所述处理器601执行所述机器可读指令，以执行如上述多维迫选题性格测验的方法的步骤。
具体地，上述存储器602和处理器601能够为通用的存储器和处理器，这里不做具体限定，当处理器601运行存储器602存储的计算机程序时，能够执行上述多维迫选题性格测验的方法。
处理器601可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器601中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器601可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processing，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称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申请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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器602，处理器601读取存储器602中的信息，结合其硬件完成上述方法的步骤。
对应于上述多维迫选题性格测验的方法，本申请实施例还提供了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机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述多维迫选题性格测验的方法的步骤。
本申请实施例所提供的多维迫选题性格测验的装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，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，所述单元的划分，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，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
再例如，附图中的流程图和框图显示了根据本申请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。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能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，本申请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电子设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述车辆标记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（Read-Only Memory，简称ROM）、随机存取存储器（Random Access Memory，简称RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种多维迫选题性格测验的方法，其特征在于，包括：
获取各初始化性格水平评估题目中预设的性格维度组合方式，并从预设的初始优质题库中随机批量不重复抽取每个所述性格维度对应的题目描述，进而得到各所述初始化性格水平评估题目，其中，所有的所述初始化性格水平评估题目涵盖所有的性格维度；
根据受试者对所述初始化性格水平评估题目的作答结果和所述初始化性格水平评估题目中各题目描述的预设的参数信息计算各所述性格维度的初始性格水平；
根据各所述性格维度的初始性格水平对各所述性格维度进行排序组合，并根据排序组合后的性格维度确定各自适应性格水平评估题目中的性格维度；
根据各所述自适应性格水平评估题目中的性格维度从预设的自适应作业题库中抽取每个所述性格维度对应的目标题目描述，进而得到各所述自适应性格水平评估题目，其中，所述目标题目描述为其对应的性格维度的初始性格水平上对应的信息量最大的题目描述；
基于所述受试者对所述自适应性格水平评估题目的作答结果和所述自适应性格水平评估题目中各题目描述的预设的参数信息计算各所述性格维度的自适应性格水平；
判断各所述性格维度的信息量是否达到预设的信息量阈值；
若达到，则舍弃达到预设的信息量阈值的性格维度，并根据剩余的性格维度的自适应性格水平对各所述剩余的性格维度进行排序组合，并根据排序组合后的性格维度确定各自适应性格水平评估题目中的性格维度；
返回执行根据各所述自适应性格水平评估题目中的性格维度从预设的自适应作业题库中抽取每个所述性格维度对应的目标题目描述，进而得到各所述自适应性格水平评估题目的步骤，直至当所有的性格维度的信息量积累到预设的条件为止；
基于各所述性格维度最后一次计算得到的自适应性格水平确定各所述性格维度的目标得分。
2.根据权利要求1所述的方法，其特征在于，所述预设的性格维度组合方式遵循的原则至少包括：同一初始化性格水平评估题目中不同的性格维度的相关值的绝对值处于预设范围，且不同初始化性格水平评估题目中包含的相同的性格维度的数量不大于1。
3.根据权利要求1所述的方法，其特征在于，所述预设的初始优质题库、所述预设的自适应作业题库的构建方法和所述信息量的计算方法包括：
获取所有的性格维度的所有的题目描述；
采用多级计分展开模型的参数计算算式和每个所述题目描述的作答结果计算每个所述题目描述的参数信息，其中，所述参数信息包括：区分度、位置参数和陶值；
采用多级计分展开模型的信息量计算算式和每个所述题目描述的作答结果计算每个所述题目描述在其所属的性格维度中不同性格水平上的信息量；
根据每个所述题目描述的参数信息将满足预设的所述初始优质题库的管理规则的题目描述保存至所述初始优质题库；
根据每个所述题目描述的参数信息将满足预设的所述自适应作业题库的管理规则的题目描述保存至所述自适应作业题库。
4.根据权利要求1所述的方法，其特征在于，根据受试者对所述初始化性格水平评估题目的作答结果和所述初始化性格水平评估题目中各题目描述的预设的参数信息计算各所述性格维度的初始性格水平，包括：
获取各所述题目描述的预设的参数信息；
根据受试者对所述初始化性格水平评估题目的作答结果拆分得到所述初始化性格水平评估题目中每个所述题目描述的作答结果；
基于每个性格维度下的所有题目描述的作答结果和对应性格维度下的所有题目描述的参数信息计算各所述性格维度的初始性格水平。
5.根据权利要求1所述的方法，其特征在于，根据排序组合后的性格维度确定各自适应性格水平评估题目中的性格维度，包括：
在所述排序组合后的性格维度中，将相邻最近的N个维度按照衔尾蛇规则组成各所述自适应性格水平评估题目中的性格维度，其中，N为大于2的正整数。
6.根据权利要求2所述的方法，其特征在于，每个所述题目描述的作答结果为受试者对新题题库中的题目描述进行作答后得到的作答结果，其中，所述新题题库中包含测评专家所出的题目描述，且其中覆盖的性格维度的种类满足设备要求的规则。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于各所述性格维度的目标得分生成性格分析报告。
8.一种多维迫选题性格测验的装置，其特征在于，包括：
初始化性格水平评估题目确定单元，用于获取各初始化性格水平评估题目中预设的性格维度组合方式，并从预设的初始优质题库中随机批量不重复抽取每个所述性格维度对应的题目描述，进而得到各所述初始化性格水平评估题目，其中，所有的所述初始化性格水平评估题目涵盖所有的性格维度；
第一计算单元，用于根据受试者对所述初始化性格水平评估题目的作答结果和所述初始化性格水平评估题目中各题目描述的预设的参数信息计算各所述性格维度的初始性格水平；
第一排序组合单元，用于根据各所述性格维度的初始性格水平对各所述性格维度进行排序组合，并根据排序组合后的性格维度确定各自适应性格水平评估题目中的性格维度；
自适应性格水平评估题目确定单元，用于根据各所述自适应性格水平评估题目中的性格维度从预设的自适应作业题库中抽取每个所述性格维度对应的目标题目描述，进而得到各所述自适应性格水平评估题目，其中，所述目标题目描述为其对应的性格维度的初始性格水平上对应的信息量最大的题目描述；
第二计算单元，用于基于所述受试者对所述自适应性格水平评估题目的作答结果和所述自适应性格水平评估题目中各题目描述的预设的参数信息计算各所述性格维度的自适应性格水平；
判断单元，用于判断各所述性格维度的信息量是否达到预设的信息量阈值；
第二排序组合单元，用于若达到，则舍弃达到预设的信息量阈值的性格维度，并根据剩余的性格维度的自适应性格水平对各所述剩余的性格维度进行排序组合，并根据排序组合后的性格维度确定各自适应性格水平评估题目中的性格维度；
返回执行单元，用于返回执行根据各所述自适应性格水平评估题目中的性格维度从预设的自适应作业题库中抽取每个所述性格维度对应的目标题目描述，进而得到各所述自适应性格水平评估题目的步骤，直至当所有的性格维度的信息量积累到预设的条件为止；
确定单元，用于基于各所述性格维度最后一次计算得到的自适应性格水平确定各所述性格维度的目标得分。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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上述权利要求1至7中任一项所述的方法的步骤。
10.一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机器可运行指令，所述机器可运行指令在被处理器调用和运行时，所述机器可运行指令促使所述处理器运行上述权利要求1至7中任一项所述的方法。
CN202310760816.3A 2023-06-27 2023-06-27 多维迫选题性格测验的方法、装置、电子设备和存储介质 Active CN116562836B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310760816.3A CN116562836B (zh) 2023-06-27 2023-06-27 多维迫选题性格测验的方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310760816.3A CN116562836B (zh) 2023-06-27 2023-06-27 多维迫选题性格测验的方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN116562836A true CN116562836A (zh) 2023-08-08
CN116562836B CN116562836B (zh) 2023-09-05

Family

ID=87502078

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310760816.3A Active CN116562836B (zh) 2023-06-27 2023-06-27 多维迫选题性格测验的方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN116562836B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117670269A (zh) * 2023-12-05 2024-03-08 北京智鼎优源管理咨询有限公司 用于多维迫选测验的选题实现方法、装置及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101295372A (zh) * 2007-04-27 2008-10-29 一零四资讯科技股份有限公司 可侦测及遏阻受测者造假的非认知类测验编制方法
CN110298597A (zh) * 2019-07-03 2019-10-01 广东倍智测聘网络科技股份有限公司 一种测评方法、装置及存储介质
KR20210040618A (ko) * 2019-10-04 2021-04-14 주식회사 피비씨지 다차원 성격 검사 장치 및 방법
TWI758036B (zh) * 2020-12-25 2022-03-11 中原大學 基於孩童性格特質的評估測驗表建立方法、評估測驗表及其評估方法
CN114283941A (zh) * 2021-12-23 2022-04-05 中国科学院心理研究所 一种基于自适应算法的多维度心理测试评估方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101295372A (zh) * 2007-04-27 2008-10-29 一零四资讯科技股份有限公司 可侦测及遏阻受测者造假的非认知类测验编制方法
CN110298597A (zh) * 2019-07-03 2019-10-01 广东倍智测聘网络科技股份有限公司 一种测评方法、装置及存储介质
KR20210040618A (ko) * 2019-10-04 2021-04-14 주식회사 피비씨지 다차원 성격 검사 장치 및 방법
TWI758036B (zh) * 2020-12-25 2022-03-11 中原大學 基於孩童性格特質的評估測驗表建立方法、評估測驗表及其評估方法
CN114283941A (zh) * 2021-12-23 2022-04-05 中国科学院心理研究所 一种基于自适应算法的多维度心理测试评估方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BROWN, ANNA等: "How IRT Can Solve Problems of Ipsative Data in Forced-Choice Questionnaires", 《PSYCHOLOGICAL METHODS》, vol. 18, no. 1, pages 36 - 52 *
NG VINCENT等: "The Development and Validation of a Multidimensional Forced-Choice Format Character Measure: Testing the Thurstonian IRT Approach", 《JOURNAL OF PERSONALITY ASSESSMENT》, vol. 103, no. 2, pages 224 - 237 *
刘凯: "人格测量中基于在线组装block方法的多维迫选式CAT算法的开发与应用", 《中国优秀硕士学位论文全文数据库 哲学与人文科学辑》, no. 08, pages 102 - 10 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117670269A (zh) * 2023-12-05 2024-03-08 北京智鼎优源管理咨询有限公司 用于多维迫选测验的选题实现方法、装置及电子设备

Also Published As

Publication number Publication date
CN116562836B (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
Henry et al. Factors contributing towards research productivity in higher education.
Aldrich et al. Relating environmental attitudes and contingent values: how robust are methods for identifying preference heterogeneity?
CN107730131B (zh) 一种众包软件开发者的能力预测及推荐方法、装置
CN116562836B (zh) 多维迫选题性格测验的方法、装置、电子设备和存储介质
US11900457B2 (en) Methods for prediction and rating aggregation
CN106485585A (zh) 用于等级评定的方法及系统
US20190050373A1 (en) Apparatus, method, and program for calculating explanatory variable values
Shang Statistically tested comparisons of the accuracy of forecasting methods for age-specific and sex-specific mortality and life expectancy
Bruhin et al. Happiness functions with preference interdependence and heterogeneity: The case of altruism within the family
Dustmann et al. An analysis of speaking fluency of immigrants using ordered response models with classification errors
CN113886697A (zh) 基于聚类算法的活动推荐方法、装置、设备及存储介质
CN109934407A (zh) 一种基于Logistic广义线性回归模型的志愿者工作意向预测方法
CN113468394A (zh) 一种数据处理方法、装置、电子设备及存储介质
US20140039983A1 (en) Location evaluation
US20230385690A1 (en) Computer-readable recording medium storing determination program, determination apparatus, and method of determining
US11704598B2 (en) Machine-learning techniques for evaluating suitability of candidate datasets for target applications
CN110874667A (zh) 评分卡模型优化方法、装置、服务器及存储介质
Metsämuuronen R effect size and generalized Cohen’sd: Refined thresholds for “small”,“medium”, and “large” r effect size for the dichotomous and polytomous settings
Gill et al. Combat simulation analytics: Regression analysis, multiple comparisons and ranking sensitivity
Kandanaarachchi Unsupervised anomaly detection ensembles using item response theory
CN114819479B (zh) 基于指标体系的行为分类方法、经济持留识别方法及装置
Byon et al. Application of Structural Equation Model in Sport Marketing Analyses
CN117933832B (zh) 航天器地面等效性试验的指标权重评估方法
Lu Bayesian assessment of predictors’ contributions to variation in the predictive performance of a logistic regression model
Vijfvinkel et al. Modelling heterogeneity in rank-ordered data

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