CN116664001A - 一种基于人工智能的学员技能评估方法及系统 - Google Patents

一种基于人工智能的学员技能评估方法及系统 Download PDF

Info

Publication number
CN116664001A
CN116664001A CN202310702979.6A CN202310702979A CN116664001A CN 116664001 A CN116664001 A CN 116664001A CN 202310702979 A CN202310702979 A CN 202310702979A CN 116664001 A CN116664001 A CN 116664001A
Authority
CN
China
Prior art keywords
target
student
data
skill
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.)
Granted
Application number
CN202310702979.6A
Other languages
English (en)
Other versions
CN116664001B (zh
Inventor
薛长泉
郑未
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.)
Guoxin Blue Bridge Education Technology Co ltd
Original Assignee
Guoxin Blue Bridge Education Technology 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 Guoxin Blue Bridge Education Technology Co ltd filed Critical Guoxin Blue Bridge Education Technology Co ltd
Priority to CN202310702979.6A priority Critical patent/CN116664001B/zh
Publication of CN116664001A publication Critical patent/CN116664001A/zh
Application granted granted Critical
Publication of CN116664001B publication Critical patent/CN116664001B/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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06398—Performance of employee with respect to a job function
    • 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
    • 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)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本发明公开了一种基于人工智能的学员技能评估方法及系统，其方法包括：根据目标学员的基本信息及学习环境信息构建目标学员的人员管理框架；基于人员管理框架采集目标学员在技能评估中的表现数据，得到目标学员的当前表现数据；获取并根据若干个历史学员的历史表现数据及历史评估结果构建目标人工智能评估模型；将当前表现数据输入至所述目标人工智能评估模型，得到技能评估结果。通过本发明的技术方案，能够实现利用人工智能技术来直接准确的得到评估结果，方便快捷。

Description

一种基于人工智能的学员技能评估方法及系统
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的学员技能评估方法及系统。
背景技术
技能评估(technicalabilityevaluation)，对人员具体操作能力的评估,是知识、理解和技术熟练的结合评估，通常从知识、理解和技术熟练程度几方面进行。基于人工智能的学员技能评估方法是迎合现代教育的个性化和智能化需求，利用人工智能技术来提供更准确、高效和个性化的学习评估和培训方案。
目前并没有基于人工智能的学员技能评估方法，但是有基于人工智能对学生进行就业评估或者实验技能的评估，两者有相似之处，对于此领域在进行学员技能评估时可以借鉴，因此对此进行缺陷分析，引用现有技术中国发明专利申请CN114971384A公开的一种人工智能机器学习实验技能评分方法及系统，其通过目标实验技能评估模型评估出目标人员的评估信息后，还要将目标人员的实验数据中的实验科目与预置的科目评分标准数据库进行匹配，得到对应目标人员的实验科目的评分标准数据，进而两者结合来生成实验技能评分结果，该技术未体现出人工智能评估模型的简单化、智能化及便捷化；另引用中国发明专利申请CN115470271A公开的一种基于专业技能标签的学生就业能力评估方法进行分析，该方法通过神经网络模型进行映射训练后得到表证学生就业能力的专业技能特征，进而基于此再进行评价，该技术不能通过人工智能模型直接得到评估结果；综上所述，现有的基于人工智能的评估及培训方法，不能通过人工智能模型直接得到评估结果，不够方便快捷。为了解决上述问题，本发明公开了一种基于人工智能的学员技能评估方法及系统。
发明内容
针对上述所显示出来的问题，本发明提供了一种基于人工智能的学员技能评估方法及系统用以解决背景技术提到不能通过人工智能模型直接得到评估结果，且不够方便快捷的问题。
一种基于人工智能的学员技能评估方法，包括以下步骤：
根据目标学员的基本信息及学习环境信息构建目标学员的人员管理框架；
基于所述人员管理框架采集目标学员在技能评估中的表现数据，得到目标学员的当前表现数据；
获取并根据若干个历史学员的历史表现数据及历史评估结果构建目标人工智能评估模型；
将所述当前表现数据输入至所述目标人工智能评估模型，得到技能评估结果；
根据所述技能评估结果确定目标学员的学习阶段和学习目标，基于学习阶段和学习目标对目标学员进行分步培训。
优选的，根据目标学员的基本信息及学习环境信息构建目标学员的人员管理框架，包括：
获取所述目标学员的基本信息及学习环境信息；
从所述基本信息中提取出目标学员的姓名、年龄、性别、学历、目标技能及原始培训需求；
根据所述目标学员的姓名、年龄、性别、学历、目标技能及原始培训需求建立初始管理框架；
从所述学习环境信息中提取目标学员的学习场所信息及学习场所对目标学员技能学习成效的影响信息；
将所述学习场所信息及学习场所对目标学员技能学习成效的影响信息整合至所述初始管理框架中，得到所述人员管理框架。
优选的，基于所述人员管理框架采集目标学员在技能评估中的表现数据，得到目标学员的当前表现数据，包括：
确定对所述目标学员进行技能评估的专业技能评估考试；
在通过所述专业技能评估考试对目标学员进行技能评估时，采集所述目标学员的完成时间、成绩、错误类型数据及反应时间；
基于所述人员管理框架对所述目标学员的完成时间、成绩、错误类型数据及反应时间进行存储，并进行统计分析，得到统计分析结果；
确定所述完成时间、成绩、错误类型数据、反应时间及统计分析结果为目标学员的当前表现数据。
优选的，获取并根据若干个历史学员的历史表现数据及历史评估结果构建目标人工智能评估模型，包括：
收集若干个历史学员的历史表现数据和历史评估结果；
对所述历史表现数据进行预处理，得到预处理后的历史表现数据；
确定评估的目标或需求，并根据所述目标或需求对所述处理后的历史表现数据进行筛选，得到筛选后的历史表现数据；
对所述筛选后的历史表现数据进行特征工程，得到目标特征数据；
对所述目标特征数据按照预设比例分为训练集和测试集，并分别确定训练集对应的第一历史评估结果和测试集对应的第二历史评估结果；
选取目标人工智能算法，通过所述训练集及所述训练集对应的第一历史评估结果对所述目标人工智能算法进行训练，得到原始人工智能评估模型；
通过所述测试集及测试集对应的第二历史评估结果对所述原始人工智能评估模型进行测试，得到模型评价指标；
判断所述模型评价指标是否达到预设标准，若是，则确定所述原始人工智能评估模型为所述目标人工智能评估模型，若否，则对所述原始人工智能评估模型进行参数调整及训练，得到所述目标人工智能评估模型。
优选的，基于所述人员管理框架对所述目标学员的完成时间、成绩、错误类型数据及反应时间进行存储，并进行统计分析，得到统计分析结果，包括：
基于所述人员管理框架创建存储数据库，并将所述目标学员的完成时间、成绩、错误类型数据及反应时间存储至所述存储数据库；
通过数据预览方式对所述完成时间、成绩、错误类型数据及反应时间进行数据观察，以查看是否存在缺失，若存在，则进行补充并标记，得到补充后的数据；
利用统计分析方法对所述完成时间、成绩、错误类型数据、反应时间或补充后的数据进行分析，得到所述统计分析结果；
对所述统计分析结果进行解读，得到所述目标学员在技能评估中的表现情况信息。
优选的，对所述筛选后的历史表现数据进行特征工程，得到目标特征数据，包括：
对所述筛选后的历史表现数据进行分布情况和异常值的分析，去除异常值，得到去除异常值的历史表现数据；
对所述去除异常值的历史表现数据进行缺失值检查，通过中位数对缺失值进行补充，得到缺失值补充后的历史表现数据；
对所述缺失值补充后的历史表现数据进行特征选择，得到原始特征数据；
对所述原始特征数据进行特征值范围的变化处理，得到范围变化后的特征数据；
通过特征降维方法对所述范围变化后的特征数据进行特征降维，得到所述目标特征数据。
优选的，基于所述人员管理框架创建存储数据库，并将所述目标学员的完成时间、成绩、错误类型数据及反应时间存储至所述存储数据库，包括：
基于所述人员管理框架进行数据库的选取，得到所述存储数据库；
对所述存储数据库进行安装及配置，当完成时确定数据表的字段及数据类型并根据所述完成时间、成绩、错误类型数据及反应时间的数据特点进行表结构的设计，得到数据表设计需求；
根据所述数据表设计需要创建数据表；
将所述完成时间、成绩、错误类型数据及反应时间存储到所述数据表中，得到目标数据表；
按照预设时间在所述存储数据库中对所述目标数据表进行备份。
优选的，在采集目标学员在技能评估中的表现数据的过程中，还包括：
确定目标学员的技能评估位置；
采集目标学员在所述技能评估位置上的表现动作，根据所述表现动作基于预设时间轴建立目标学员的动作轨迹；
将所述动作轨迹导入到预设技能评估模型中生成目标学员在技能评估区域内的记录模型；
通过所述记录模型确定目标学员在每段时间层中的目标动作参数集；
对所述目标动作参数集进行分解确定目标学员在每段时间层中的多个操作动作；
获取每个操作动作的动作特征并对比相邻两个操作动作之间的动作特征变化幅度；
根据动作特征变化幅度和预设稳态动作特征评估出目标学员对于每个操作动作的操作合格度；
根据操作合格度筛选出目标学员已掌握的技能操作和未掌握的技能操作；
获取未掌握的技能操作对应的操作视频，对所述操作视频进行分帧处理获取帧图像；
根据所述帧图像获取标准动作参数，根据标准动作参数生成评估目标，根据所述评估目标对目标学员进行重点评估；
检测所述表现动作中的常态动作和非常态动作以及二者各自的持续时长；
根据常态动作和非常态动作以及二者各自的持续时长评估出目标学员是否处于疲劳状态；
若是，生成提醒指令并根据提醒指令向目标学员发出提醒。
优选的，还包括：
在目标学员进入技能评估区域时，采集目标学员的人脸图像；
根据所述人员图像构建目标学员和技能评估区域之间的绑定关系；
获取所述技能评估区域的平面结构图，根据所述平面结构图生成目标学员的活动区域；
采集目标学员在所述活动区域内的活动轨迹，根据所述活动轨迹利用预设轨迹网络进行线性拟合确定目标学员的主活动曲线频率和辅助活动曲线频率；
对比所述主活动频率和辅助活动曲线频率以确定目标学员的动作分布态势；
根据所述动作分布态势确定目标学员的技能评估积极性；
根据目标学员的技能评估积极性调整监控视野，根据调整后的监控视野对目标学员进行持续监控。
一种基于人工智能的学员技能评估系统，该系统包括：
构建模块，用于根据目标学员的基本信息及学习环境信息构建目标学员的人员管理框架；
采集模块，用于基于所述人员管理框架采集目标学员在技能评估中的表现数据，得到目标学员的当前表现数据；
获取模块，用于获取并根据若干个历史学员的历史表现数据及历史评估结果构建目标人工智能评估模型；
输入模块，用于将所述当前表现数据输入至所述目标人工智能评估模型，得到技能评估结果。
通过上述技术手段，本发明取得如下有益效果：
1)根据目标学员的基本信息及学习环境信息构建目标学员管理框架，得到针对目标学员的针对性的管理框架，进而基于此框架采集到目标学员的当前表现数据，进而获取并根据若干个历史学员的历史表现数据及历史评估结果构建能够进行自动评估的目标人工智能评估模型，之后将当前表现数据输入进去，得到技能评估结果，实现了利用人工智能技术来直接准确的得到评估结果。
2)根据目标学员自身的信息进行初始管理框架的建立初始管理框架，进而整合入目标学员的学习场所信息及学习场所对目标学员技能学习成效的影响，能够得到一对一的人员管理框架，更加人性化。
3)通过判断模型评价指标来确定目标人工智能评估模型能够得到满足要求、准确率高的评估模型。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明所提供的一种基于人工智能的学员技能评估方法的工作流程图；
图2为本发明所提供的一种基于人工智能的学员技能评估方法的另一工作流程图；
图3为本发明所提供的一种基于人工智能的学员技能评估方法的又一工作流程图；
图4为本发明所提供的一种基于人工智能的学员技能评估系统的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
技能评估(technicalabilityevaluation)，对人员具体操作能力的评估,是知识、理解和技术熟练的结合评估，通常从知识、理解和技术熟练程度几方面进行。基于人工智能的学员技能评估方法是迎合现代教育的个性化和智能化需求，利用人工智能技术来提供更准确、高效和个性化的学习评估和培训方案。
目前并没有基于人工智能的学员技能评估方法，但是有基于人工智能对学生进行就业评估或者实验技能的评估，两者有相似之处，对于此领域在进行学员技能评估时可以借鉴，因此对此进行缺陷分析，引用现有技术中国发明专利申请CN114971384A公开的一种人工智能机器学习实验技能评分方法及系统，其通过目标实验技能评估模型评估出目标人员的评估信息后，还要将目标人员的实验数据中的实验科目与预置的科目评分标准数据库进行匹配，得到对应目标人员的实验科目的评分标准数据，进而两者结合来生成实验技能评分结果，该技术未体现出人工智能评估模型的简单化、智能化及便捷化，且不能进行培训；另引用中国发明专利申请CN115470271A公开的一种基于专业技能标签的学生就业能力评估方法进行分析，该方法通过神经网络模型进行映射训练后得到表证学生就业能力的专业技能特征，进而基于此再进行评价，该技术不能通过人工智能模型直接得到评估结果；综上所述，现有的基于人工智能的评估方法，不能通过人工智能模型直接得到评估结果。为了解决上述问题，本发明公开了一种基于人工智能的学员技能评估方法。
一种基于人工智能的学员技能评估方法，如图1所示，包括以下步骤：
步骤S101、根据目标学员的基本信息及学习环境信息构建目标学员的人员管理框架；
步骤S102、基于人员管理框架采集目标学员在技能评估中的表现数据，得到目标学员的当前表现数据；
步骤S103、获取并根据若干个历史学员的历史表现数据及历史评估结果构建目标人工智能评估模型；
步骤S104、将当前表现数据输入至目标人工智能评估模型，得到技能评估结果；
在本实施例中，基本信息包括但不限于：姓名、年龄、性别、学历、目标技能、原始培训需求、联系方式、学习背景及兴趣爱好；学习环境信息包括学习场所、学习场所对目标学员技能学习成效的影响信息、学习场所的位置及学习场所的大小，表现数据包括但不限于：成绩、绩效等级、完成时间及错误率，停顿时间，评估结果包括优、良及差。
上述技术方案的工作原理为：根据目标学员的基本信息及学习环境信息构建目标学员的人员管理框架，基于人员管理框架采集目标学员在技能评估中的表现数据，得到目标学员的当前表现数据，获取并根据若干个历史学员的历史表现数据及历史评估结果构建目标人工智能评估模型，将当前表现数据输入至目标人工智能评估模型，得到技能评估结果。
上述技术方案的有益效果为：根据目标学员的基本信息及学习环境信息构建目标学员管理框架，得到针对目标学员的针对性的管理框架，进而基于此框架采集到目标学员的当前表现数据，进而获取并根据若干个历史学员的历史表现数据及历史评估结果构建能够进行自动评估的目标人工智能评估模型，最后将当前表现数据输入进去，得到技能评估结果，实现了利用人工智能技术来直接准确的得到评估结果，方便快捷。
在一个实施例中，如图2所示，根据目标学员的基本信息及学习环境信息构建目标学员的人员管理框架，包括，包括：
步骤S201、获取目标学员的基本信息及学习环境信息；
步骤S202、从基本信息中提取出目标学员的姓名、年龄、性别、学历、目标技能及原始培训需求；
步骤S203、根据目标学员的姓名、年龄、性别、学历、目标技能及原始培训需求建立初始管理框架；
步骤S204、从学习环境信息中提取目标学员的学习场所信息及学习场所对目标学员技能学习成效的影响信息；
步骤S205、将学习场所信息及学习场所对目标学员技能学习成效的影响信息整合至初始管理框架中，得到人员管理框架。
在本实施例中，基本信息包括但不限于：姓名、年龄、性别、学历、目标技能、原始培训需求、联系方式、学习背景及兴趣爱好，学习环境信息包括学习场所、学习场所对目标学员技能学习成效的影响信息、学习场所的位置及学习场所的大小；学习场所对目标学员技能学习成效的影响信息是指学习场所对目标学员技能学习的成效起促进的作用或者抑制的作用，以及他们的促进程度或者阻碍程度。
上述技术方案的有益效果为：根据目标学员自身的信息进行初始管理框架的建立初始管理框架，进而整合入目标学员的学习场所信息及学习场所对目标学员技能学习成效的影响，能够得到一对一的人员管理框架，更加人性化。
在一个实施例中，基于所述人员管理框架采集目标学员在技能评估中的表现数据，得到目标学员的当前表现数据，包括：
确定对所述目标学员进行技能评估的专业技能评估考试；
在通过所述专业技能评估考试对目标学员进行技能评估时，采集所述目标学员的完成时间、成绩、错误类型数据及反应时间；
基于所述人员管理框架对所述目标学员的完成时间、成绩、错误类型数据及反应时间进行存储，并进行统计分析，得到统计分析结果；
确定所述完成时间、成绩、错误类型数据、反应时间及统计分析结果为目标学员的当前表现数据。
在本实施例中，专业技能评估考试包括但不限于：中国职业资格考试’中级技师考试及工人等级考试。
在本实施例中，错误类型数据是指操作错误类型数据、逻辑错误类型数据等。
上述技术方案的有益效果为：通过国家级专业的技能评估考试进行技能评估，能够全方位的、完整的且准确的得到代表有目标学员技术水平的当前表现数据。
在一个实施例中，获取并根据若干个历史学员的历史表现数据及历史评估结果构建目标人工智能评估模型，包括：
收集若干个历史学员的历史表现数据和历史评估结果；
对所述历史表现数据进行预处理，得到预处理后的历史表现数据；
确定评估的目标或需求，并根据所述目标或需求对所述处理后的历史表现数据进行筛选，得到筛选后的历史表现数据；
对所述筛选后的历史表现数据进行特征工程，得到目标特征数据；
对所述目标特征数据按照预设比例分为训练集和测试集，并分别确定训练集对应的第一历史评估结果和测试集对应的第二历史评估结果；
选取目标人工智能算法，通过所述训练集及所述训练集对应的第一历史评估结果对所述目标人工智能算法进行训练，得到原始人工智能评估模型；
通过所述测试集及测试集对应的第二历史评估结果对所述原始人工智能评估模型进行测试，得到模型评价指标；
判断所述模型评价指标是否达到预设标准，若是，则确定所述原始人工智能评估模型为所述目标人工智能评估模型，若否，则对所述原始人工智能评估模型进行参数调整及训练，得到所述目标人工智能评估模型。
在本实施例中，历史表现数据包括但不限于：成绩、绩效等级、完成时间及错误率，停顿时间，历史评估结果包括有：优、良及差，预处理是指进行数据清洗，目标和需求是指，学员需要进行评估的目标技能或者培训需求，特征工程是指对数据进行特征的提取过程，得到代表数据特性的特征数据预，预设比例可以是8：2，或者7：3，目标人工智能算法可以是决策树，随机森林等，模型的评价指标有准确率、召回率等，预设标准可以是准确率达到95％，模型进行参数调整是指对模型进行参数的调整，例如对学习率进行调整，调整后再重新用训练集及所述训练集对应的第一历史评估结果进行模型训练。
上述技术方案的有益效果为：通过判断模型评价指标来确定目标人工智能评估模型能够得到满足要求、准确率高的评估模型。
在一个实施例中，基于所述人员管理框架对所述目标学员的完成时间、成绩、错误类型数据及反应时间进行存储，并进行统计分析，得到统计分析结果，包括：
基于所述人员管理框架创建存储数据库，并将所述目标学员的完成时间、成绩、错误类型数据及反应时间存储至所述存储数据库；
通过数据预览方式对所述完成时间、成绩、错误类型数据及反应时间进行数据观察，以查看是否存在缺失，若存在，则进行补充并标记，得到补充后的数据；
利用统计分析方法对所述完成时间、成绩、错误类型数据、反应时间或补充后的数据进行分析，得到所述统计分析结果；
对所述统计分析结果进行解读，得到所述目标学员在技能评估中的表现情况信息。
在本实施例中，统计分析方法是指对数据进行统计学的计算，比如完成各评估的平均完成时间、平均成绩、错误类型的频率分布及反应时间的分布等。
在本实施例中，表现情况信息是指在完成技能评估中的表现情况。
上述技术方案的有益效果为：通过数据预览方式进行数据观察，查看其是否存在缺失，以保证数据的完整性，之后通过统计分析方法进行分析，能够能够更加直观的呈现出数据的分布情况，之后进行解读，得到学员的表现情况。
在一个实施例中，如图3所示，对所述筛选后的历史表现数据进行特征工程，得到目标特征数据，包括：
步骤S301、对筛选后的历史表现数据进行分布情况和异常值的分析，去除异常值，得到去除异常值的历史表现数据；
步骤S302、对去除异常值的历史表现数据进行缺失值检查，通过中位数对缺失值进行补充，得到缺失值补充后的历史表现数据；
步骤S303、对缺失值补充后的历史表现数据进行特征选择，得到原始特征数据；
步骤S304、对原始特征数据进行特征值范围的变化处理，得到范围变化后的特征数据；
步骤S305、通过特征降维方法对范围变化后的特征数据进行特征降维，得到所述目标特征数据。
本实施例中，筛选后的历史表现数据中包括但不限于：成绩、绩效等级、完成时间及错误率，而成绩值均有一个正常的范围，比如0到100分，而超过一百分的话，成绩的分布状况就有问题，存在异常值，因此可以去除，而缺失值检查，例如进行了五次成绩的评价，但是某学员目前只有四次，缺失了一次，就可以选择其它四次的中位数进行补充，而特征选择是指根据历史表现数据与学员表现之间相关性和重要性进行特征数据的选择，例如可以选择成绩和完成时间等等，对原始特征数据进行特征值范围的变化处理是指，原本的特征数据在一个比较大的范围，但是为了建模方便，我们把这个范围进行变化，例如归一化或者标准化，将数据范围变为0到1之间，数据降维就是减少数据的维度。
上述技术方案的有益效果为：通过进行异常值的去除，防止异常值对建模产生影响，而进行缺失值的处理，能更好的补充缺失的数据，进行特征选择，能够找到与学员表现更加相关的特征数据，提高建模的准确率，而进行取值范围的变化处理及特征降维，能够提高建模速度。
在一个实施例中，基于所述人员管理框架创建存储数据库，并将所述目标学员的完成时间、成绩、错误类型数据及反应时间存储至所述存储数据库，包括：
基于所述人员管理框架进行数据库的选取，得到所述存储数据库；
对所述存储数据库进行安装及配置，当完成时确定数据表的字段及数据类型并根据所述完成时间、成绩、错误类型数据及反应时间的数据特点进行表结构的设计，得到数据表设计需求；
根据所述数据表设计需要创建数据表；
将所述完成时间、成绩、错误类型数据及反应时间存储到所述数据表中，得到目标数据表；
按照预设时间在所述存储数据库中对所述目标数据表进行备份。
在本实施例中，存储数据库可以是MySQL或者PostgreSQL。
在本实施例中，预设时间可以是一天(24小时)。
上述技术方案的有益效果为：通过在预设时间内将目标数据库进行备份，能够确保数据的安全性，防止丢失，同时也确保了数据的实时更新，完成时间、成绩、错误类型数据及反应时间这些参数能够对一个学员的技能掌握情况进行针对性且全面性的评估，因此目标数据表的备份和存储对于数据的全面分析具有重要的意义。
在一个实施例中，在采集目标学员在技能评估中的表现数据的过程中，还包括：
确定目标学员的技能评估位置；
采集目标学员在所述技能评估位置上的表现动作，根据所述表现动作基于预设时间轴建立目标学员的动作轨迹；
将所述动作轨迹导入到预设技能评估模型中生成目标学员在技能评估区域内的记录模型；
通过所述记录模型确定目标学员在每段时间层中的目标动作参数集；
对所述目标动作参数集进行分解确定目标学员在每段时间层中的多个操作动作；
获取每个操作动作的动作特征并对比相邻两个操作动作之间的动作特征变化幅度；
根据动作特征变化幅度和预设稳态动作特征评估出目标学员对于每个操作动作的操作合格度；
根据操作合格度筛选出目标学员已掌握的技能操作和未掌握的技能操作；
获取未掌握的技能操作对应的操作视频，对所述操作视频进行分帧处理获取帧图像；
根据所述帧图像获取标准动作参数，根据标准动作参数生成评估目标，根据所述评估目标对目标学员进行重点评估；
检测所述表现动作中的常态动作和非常态动作以及二者各自的持续时长；
根据常态动作和非常态动作以及二者各自的持续时长评估出目标学员是否处于疲劳状态；
若是，生成提醒指令并根据提醒指令向目标学员发出提醒。
在本实施例中，技能评估位置表示为对于目标学员进行技能培训时的具体位置，例如目标学员在评估区域中的站立位置；
在本实施例中，表现动作表示为目标学员在进行技能评估时的操作动作；
在本实施例中，预设时间轴表示为预先构建的单向时间轴；
在本实施例中，动作轨迹表示为目标学员在进行单次技能评估时的操作活动轨迹；
在本实施例中，记录模型表示为对于目标学员在技能评估过程中的记载模型；
在本实施例中，动作特征表示为目标学员的每个操作动作对应的描述特征；
在本实施例中，变化幅度表示为目标学员在技能评估过程中的动作变化幅度；
在本实施例中，预设稳态动作特征表示为目标学员的待评估技能的标准稳定动作特征；
在本实施例中，操作合格度表示为目标学员对待评估技能各个操作动作的操作稳定和利索的评判结果；
在本实施例中，常态动作表示为目标学员在进行技能评估时的技能相关操作动作；
在本实施例中，非常态动作表示为目标学员在进行技能评估时的无关操作动作。
上述技术方案的有益效果为：可以快速地根据目标学员的动作参数来评估出其是否对于技能实现操作合格进而快速精准地筛选出其未能掌握的动作进行着重评估，保证了对于目标学员技能评估的精确性和客观性，提高了实用性，通过对于学员在进行技能评估中的表现信息的采集和分析评估，能够全面综合判断学员的技能是否符合要求。进一步地，通过判断目标学员是否处于疲劳学习状态可以有效地对其进行提醒，进一步地提高了目标学员的体验感。
在一个实施例中，还包括：
在目标学员进入技能评估区域时，采集目标学员的人脸图像；
根据所述人员图像构建目标学员和技能评估区域之间的绑定关系；
获取所述技能评估区域的平面结构图，根据所述平面结构图生成目标学员的活动区域；
采集目标学员在所述活动区域内的活动轨迹，根据所述活动轨迹利用预设轨迹网络进行线性拟合确定目标学员的主活动曲线频率和辅助活动曲线频率；
对比所述主活动频率和辅助活动曲线频率以确定目标学员的动作分布态势；
根据所述动作分布态势确定目标学员的技能评估积极性；
根据目标学员的技能评估积极性调整监控视野，根据调整后的监控视野对目标学员进行持续监控。
在本实施例中，预设轨迹网络表示为对活动轨迹进行分析的自适应处理网络；
在本实施例中，主活动曲线频率表示为目标学员大于等于预设时长的维持动作的动作频率；
在本实施例中，辅助活动曲线频率表示为目标学员小于预设时长的维持动作的动作频率；
在本实施例中，动作分布态势表示为目标学员在技能评估过程中各个阶段的时态分布；
在本实施例中，监控视野表示为对于目标学员在技能评估过程中监控的视觉参数。
上述技术方案的有益效果为：可以直观地确定目标学员在进行技能评估时的评估积极性进而对其进行智能监控，进一步地保证了技能评估效率，同时也可以快速地评估出目标学员对于技能阶段性评估的成果从而选择为其延长或者缩短后续教学时长，进一步地提高了目标学员的体验感。
本发明还提供一种基于人工智能的学员技能评估系统，如图4所示该系统包括：
构建模块401，用于根据目标学员的基本信息及学习环境信息构建目标学员的人员管理框架；
采集模块402，用于基于所述人员管理框架采集目标学员在技能评估中的表现数据，得到目标学员的当前表现数据；
获取模块403，用于获取并根据若干个历史学员的历史表现数据及历史评估结果构建目标人工智能评估模型；
输入模块404，用于将所述当前表现数据输入至所述目标人工智能评估模型，得到技能评估结果。
上述技术方案的工作原理及有益效果在方法权利要求中已经说明，此处不再赘述。
本领域技术用户员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种基于人工智能的学员技能评估方法，其特征在于，包括以下步骤：
根据目标学员的基本信息及学习环境信息构建目标学员的人员管理框架；
基于所述人员管理框架采集目标学员在技能评估中的表现数据，得到目标学员的当前表现数据；
获取并根据若干个历史学员的历史表现数据及历史评估结果构建目标人工智能评估模型；
将所述当前表现数据输入至所述目标人工智能评估模型，得到技能评估结果。
2.根据权利要求1所述基于人工智能的学员技能评估方法，其特征在于，根据目标学员的基本信息及学习环境信息构建目标学员的人员管理框架，包括：
获取所述目标学员的基本信息及学习环境信息；
从所述基本信息中提取出目标学员的姓名、年龄、性别、学历、目标技能及原始培训需求；
根据所述目标学员的姓名、年龄、性别、学历、目标技能及原始培训需求建立初始管理框架；
从所述学习环境信息中提取目标学员的学习场所信息及学习场所对目标学员技能学习成效的影响信息；
将所述学习场所信息及学习场所对目标学员技能学习成效的影响信息整合至所述初始管理框架中，得到所述人员管理框架。
3.根据权利要求1所述基于人工智能的学员技能评估方法，其特征在于，基于所述人员管理框架采集目标学员在技能评估中的表现数据，得到目标学员的当前表现数据，包括：
确定对所述目标学员进行技能评估的专业技能评估考试；
在通过所述专业技能评估考试对目标学员进行技能评估时，采集所述目标学员的完成时间、成绩、错误类型数据及反应时间；
基于所述人员管理框架对所述目标学员的完成时间、成绩、错误类型数据及反应时间进行存储，并进行统计分析，得到统计分析结果；
确定所述完成时间、成绩、错误类型数据、反应时间及统计分析结果为目标学员的当前表现数据。
4.根据权利要求1所述基于人工智能的学员技能评估方法，其特征在于，获取并根据若干个历史学员的历史表现数据及历史评估结果构建目标人工智能评估模型，包括：
收集若干个历史学员的历史表现数据和历史评估结果；
对所述历史表现数据进行预处理，得到预处理后的历史表现数据；
确定评估的目标或需求，并根据所述目标或需求对所述处理后的历史表现数据进行筛选，得到筛选后的历史表现数据；
对所述筛选后的历史表现数据进行特征工程，得到目标特征数据；
对所述目标特征数据按照预设比例分为训练集和测试集，并分别确定训练集对应的第一历史评估结果和测试集对应的第二历史评估结果；
选取目标人工智能算法，通过所述训练集及所述训练集对应的第一历史评估结果对所述目标人工智能算法进行训练，得到原始人工智能评估模型；
通过所述测试集及测试集对应的第二历史评估结果对所述原始人工智能评估模型进行测试，得到模型评价指标；
判断所述模型评价指标是否达到预设标准，若是，则确定所述原始人工智能评估模型为所述目标人工智能评估模型，若否，则对所述原始人工智能评估模型进行参数调整及训练，得到所述目标人工智能评估模型。
5.根据权利要求3所述基于人工智能的学员技能评估方法，其特征在于，基于所述人员管理框架对所述目标学员的完成时间、成绩、错误类型数据及反应时间进行存储，并进行统计分析，得到统计分析结果，包括：
基于所述人员管理框架创建存储数据库，并将所述目标学员的完成时间、成绩、错误类型数据及反应时间存储至所述存储数据库；
通过数据预览方式对所述完成时间、成绩、错误类型数据及反应时间进行数据观察，以查看是否存在缺失，若存在，则进行补充并标记，得到补充后的数据；
利用统计分析方法对所述完成时间、成绩、错误类型数据、反应时间或补充后的数据进行分析，得到所述统计分析结果；
对所述统计分析结果进行解读，得到所述目标学员在技能评估中的表现情况信息。
6.根据权利要求4所述基于人工智能的学员技能评估方法，其特征在于，对所述筛选后的历史表现数据进行特征工程，得到目标特征数据，包括：
对所述筛选后的历史表现数据进行分布情况和异常值的分析，去除异常值，得到去除异常值的历史表现数据；
对所述去除异常值的历史表现数据进行缺失值检查，通过中位数对缺失值进行补充，得到缺失值补充后的历史表现数据；
对所述缺失值补充后的历史表现数据进行特征选择，得到原始特征数据；
对所述原始特征数据进行特征值范围的变化处理，得到范围变化后的特征数据；
通过特征降维方法对所述范围变化后的特征数据进行特征降维，得到所述目标特征数据。
7.根据权利要求5所述基于人工智能的学员技能评估方法，其特征在于，基于所述人员管理框架创建存储数据库，并将所述目标学员的完成时间、成绩、错误类型数据及反应时间存储至所述存储数据库，包括：
基于所述人员管理框架进行数据库的选取，得到所述存储数据库；
对所述存储数据库进行安装及配置，当完成时确定数据表的字段及数据类型并根据所述完成时间、成绩、错误类型数据及反应时间的数据特点进行表结构的设计，得到数据表设计需求；
根据所述数据表设计需要创建数据表；
将所述完成时间、成绩、错误类型数据及反应时间存储到所述数据表中，得到目标数据表；
按照预设时间在所述存储数据库中对所述目标数据表进行备份。
8.根据权利要求1所述基于人工智能的学员技能评估方法，其特征在于，在采集目标学员在技能评估中的表现数据的过程中，还包括：
确定目标学员的技能评估位置；
采集目标学员在所述技能评估位置上的表现动作，根据所述表现动作基于预设时间轴建立目标学员的动作轨迹；
将所述动作轨迹导入到预设技能评估模型中生成目标学员在技能评估区域内的记录模型；
通过所述记录模型确定目标学员在每段时间层中的目标动作参数集；
对所述目标动作参数集进行分解确定目标学员在每段时间层中的多个操作动作；
获取每个操作动作的动作特征并对比相邻两个操作动作之间的动作特征变化幅度；
根据动作特征变化幅度和预设稳态动作特征评估出目标学员对于每个操作动作的操作合格度；
根据操作合格度筛选出目标学员已掌握的技能操作和未掌握的技能操作；
获取未掌握的技能操作对应的操作视频，对所述操作视频进行分帧处理获取帧图像；
根据所述帧图像获取标准动作参数，根据标准动作参数生成评估目标，根据所述评估目标对目标学员进行重点评估；
检测所述表现动作中的常态动作和非常态动作以及二者各自的持续时长；
根据常态动作和非常态动作以及二者各自的持续时长评估出目标学员是否处于疲劳状态；
若是，生成提醒指令并根据提醒指令向目标学员发出提醒。
9.根据权利要求1所述基于人工智能的学员技能评估方法，其特征在于，还包括：
在目标学员进入技能评估区域时，采集目标学员的人脸图像；
根据所述人员图像构建目标学员和技能评估区域之间的绑定关系；
获取所述技能评估区域的平面结构图，根据所述平面结构图生成目标学员的活动区域；
采集目标学员在所述活动区域内的活动轨迹，根据所述活动轨迹利用预设轨迹网络进行线性拟合确定目标学员的主活动曲线频率和辅助活动曲线频率；
对比所述主活动频率和辅助活动曲线频率以确定目标学员的动作分布态势；
根据所述动作分布态势确定目标学员的技能评估积极性；
根据目标学员的技能评估积极性调整监控视野，根据调整后的监控视野对目标学员进行持续监控。
10.一种基于人工智能的学员技能评估系统，其特征在于，该系统包括：
构建模块，用于根据目标学员的基本信息及学习环境信息构建目标学员的人员管理框架；
采集模块，用于基于所述人员管理框架采集目标学员在技能评估中的表现数据，得到目标学员的当前表现数据；
获取模块，用于获取并根据若干个历史学员的历史表现数据及历史评估结果构建目标人工智能评估模型；
输入模块，用于将所述当前表现数据输入至所述目标人工智能评估模型，得到技能评估结果。
CN202310702979.6A 2023-06-13 2023-06-13 一种基于人工智能的学员技能评估方法及系统 Active CN116664001B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310702979.6A CN116664001B (zh) 2023-06-13 2023-06-13 一种基于人工智能的学员技能评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310702979.6A CN116664001B (zh) 2023-06-13 2023-06-13 一种基于人工智能的学员技能评估方法及系统

Publications (2)

Publication Number Publication Date
CN116664001A true CN116664001A (zh) 2023-08-29
CN116664001B CN116664001B (zh) 2024-02-09

Family

ID=87713586

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310702979.6A Active CN116664001B (zh) 2023-06-13 2023-06-13 一种基于人工智能的学员技能评估方法及系统

Country Status (1)

Country Link
CN (1) CN116664001B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117314249A (zh) * 2023-10-10 2023-12-29 中交广州航道局有限公司 一种绞吸式挖泥船操作手能力评估的方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110364049A (zh) * 2019-07-17 2019-10-22 石虹 一种具有偏离度自动反馈数据闭环纠偏控制的专业技能实训辅助教学系统及辅助教学方法
CN112233516A (zh) * 2020-10-12 2021-01-15 萱闱(北京)生物科技有限公司 一种医师cpr考试训练与考核的评分方法及系统
CN114971384A (zh) * 2022-06-17 2022-08-30 中原工学院 一种人工智能机器学习实验技能评分方法及系统
CN115619600A (zh) * 2022-10-14 2023-01-17 厦门优优汇联信息科技股份有限公司 一种智能评估学生用户实践操作能力的方法及系统
US20230039882A1 (en) * 2020-01-16 2023-02-09 The University Of Toledo Artificial intelligence-based platform to optimize skill training and performance

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110364049A (zh) * 2019-07-17 2019-10-22 石虹 一种具有偏离度自动反馈数据闭环纠偏控制的专业技能实训辅助教学系统及辅助教学方法
US20230039882A1 (en) * 2020-01-16 2023-02-09 The University Of Toledo Artificial intelligence-based platform to optimize skill training and performance
CN112233516A (zh) * 2020-10-12 2021-01-15 萱闱(北京)生物科技有限公司 一种医师cpr考试训练与考核的评分方法及系统
CN114971384A (zh) * 2022-06-17 2022-08-30 中原工学院 一种人工智能机器学习实验技能评分方法及系统
CN115619600A (zh) * 2022-10-14 2023-01-17 厦门优优汇联信息科技股份有限公司 一种智能评估学生用户实践操作能力的方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117314249A (zh) * 2023-10-10 2023-12-29 中交广州航道局有限公司 一种绞吸式挖泥船操作手能力评估的方法及装置

Also Published As

Publication number Publication date
CN116664001B (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
Groth et al. A hybrid algorithm for developing third generation HRA methods using simulator data, causal models, and cognitive science
EP4033700A1 (en) Method and apparatus for analyzing root cause of failure of communication system, system and computer storage medium
US20220309944A1 (en) Method for adjusting driving training course, electronic device, and storage medium
CN116664001B (zh) 一种基于人工智能的学员技能评估方法及系统
CN114038256B (zh) 一种基于人工智能的教学互动系统
US20110307301A1 (en) Decision aid tool for competency analysis
CN112418113A (zh) 一种医学技能考试系统
CN111626372A (zh) 一种线上教学监督管理方法及系统
CN109816185A (zh) 风险管控装置及方法
Lourens et al. Applying predictive analytics in identifying students at risk: A case study
CN117523934A (zh) 一种基于大数据的配网运维仿真培训系统
CN111724050A (zh) 一种基于教学过程数据的教学风险预警方法
CN111369140A (zh) 一种教学评价系统及方法
Koong et al. The learning effectiveness analysis of JAVA programming with automatic grading system
Nicolas et al. Constructing learning curves to benchmark operative performance of general surgery residents against a national cohort of peers
CN115115215A (zh) 一种事故风险值测验的测试信息编制方法
CN115409257A (zh) 一种基于条件密度估计模型的成绩分布预测方法及系统
CN114285966A (zh) 一种劳动教育相关的监测数据处理方法及系统
CN112184040A (zh) 基于行为与学习数据进行软件工程能力评估的平台
Lacefield et al. Tracking students' academic progress in data rich but analytically poor environments
Allensworth et al. Middle Grade Indicators of Readiness in Chicago Public Schools: Looking Forward to High School and College. Research Report.
CN116186404A (zh) 一种知识推荐方法和系统
Chunqiao et al. Method and System Constructing for Learning Situation Early Warning based on Data Mining Techniques
Karmagatri et al. Predicting Factors Related to Student Performance Using Decision Tree Algorithm
Zerai Trend analysis on performance of medical students in Umeå university over time

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