CN117196899B - 一种基于职业教育的互联网信息智能在线管理系统及方法 - Google Patents
一种基于职业教育的互联网信息智能在线管理系统及方法 Download PDFInfo
- Publication number
- CN117196899B CN117196899B CN202310856724.5A CN202310856724A CN117196899B CN 117196899 B CN117196899 B CN 117196899B CN 202310856724 A CN202310856724 A CN 202310856724A CN 117196899 B CN117196899 B CN 117196899B
- Authority
- CN
- China
- Prior art keywords
- examination
- data
- test
- scoring
- probability
- 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
- 230000001755 vocal effect Effects 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004458 analytical method Methods 0.000 claims abstract description 77
- 238000012360 testing method Methods 0.000 claims description 192
- 238000007726 management method Methods 0.000 claims description 48
- 238000012550 audit Methods 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 2
- 230000009471 action Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于职业教育的互联网信息智能在线管理系统及方法，属于互联网信息管理技术领域。本系统包括数据记录模块、特征标记模块、模型分析模块、信息记录模块以及智能管理模块；所述数据记录模块的输出端与所述特征标记模块的输入端相连接；所述特征标记模块的输出端与所述模型分析模块的输入端相连接；所述模型分析模块的输出端与所述信息记录模块的输入端相连接；所述信息记录模块的输出端与所述智能管理模块的输入端相连接。本发明能够解决职业教育中实操考试的评分问题，提高实操考试的评判速度，降低数据信息拥堵，加快考试流程，防止数据冗杂。
Description
技术领域
本发明涉及互联网信息管理技术领域，具体为一种基于职业教育的互联网信息智能在线管理系统及方法。
背景技术
职业教育是指使受教育者具备从事某种职业或者职业发展所需要的职业道德、科学文化与专业知识、技术技能等综合素质而实施的教育活动。职业教育与普通教育是不同教育类型，具有同等重要地位，是国民教育体系和人力资源开发的重要组成部分，是培养多样化人才、传承技术技能、促进就业创业的重要途径。
职业教育是非学历性的教育，与普通教育和成人教育相比较，职业教育侧重于实践技能和实际工作能力的培养。因此，在职业教育中，实操考试是检测实践技能和实际工作能力的最为重要的考试机制，目前随着互联网的大幅发展，职业教育中的实操考试以实时登录--视频记录--单项考核为流程，即应试人在进行实操考试的过程中，每完成一项，由实操考试系统进行评分检测，输出结果，决定是否进行下一项的考试；然而在这样的情况下，会导致考试流程缓慢，数据信息拥堵严重，在数据简洁化的今天，尚缺乏应对职业教育中实操考试检测过程中数据冗杂的处理方法。
发明内容
本发明的目的在于提供一种基于职业教育的互联网信息智能在线管理系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于职业教育的互联网信息智能在线管理方法，该方法包括以下步骤：
S1、获取职业教育实操考试数据，所述职业教育实操考试数据包括任一应试人在实操考试中的考试次数以及每一次的考试数据，所述每一次考试数据包括考试中未通过的评分特征；
S2、基于历史数据下的任一实操考试的考试次数和考试中未通过的评分特征构建实操测试分析模型；
S3、利用互联网信息记录单元获取应试人实时数据，所述应试人实时数据包括应试人参与实操考试的次数与未通过的评分特征，基于实操测试分析模型输出应试人对于实操考试各个评分特征的不合格概率，按照从大到小顺序输出至智能管理端口；
S4、智能管理端口生成审核清单，按照清单顺序依次审核实操考试中应试人的评分特征，在出现任一评分特征不符合考试要求时，输出考试不合格通知至管理员端口，停止当前实操考试的后续审核。
根据上述技术方案，所述评分特征指在职业教育实操考试过程中，实操的每一个关键节点步骤，利用视频监测系统采集实操数据，在发现任一个关键节点步骤不满足评分要求时，认定此次职业教育实操考试不合格。
根据上述技术方案，所述构建实操测试分析模型包括：
获取职业教育实操考试数据，选取任一实操考试中任一个评分特征下不合格时的应试人参与实操考试的次数，构建第一数据集合，所述第一数据集合中存储数据N1组；
将N1组数据中按照次数数量进行随机平均分割成M1份，M1＜N1，所述次数数量为大于0的偶数，计算每一份中元素数量与N1的比值，若满足比值中超出1/M1的数量超出或等于二分之一，将次数数量增大2再次分配，直至满足满足比值中超出1/M1的数量不超出二分之一；
记录每一组份数据的元素数量与N1的比值，实时获取当前应试人参与实操考试的次数A，输出A对应的比值作为第一概率数据；
在上述技术方案中，可以提供一个出初始概率作为后续的计算必要，能够有效限制概率范围，提高精准性。
获取任一评分特征在第A次考试中的所有应试人考试数据，调取应试人前A次考试中每次考试中不合格的评分特征，选取T组应试人数据作为分析数据组，所述分析数据组中数据满足前A次考试中每次考试中不合格的评分特征均包含当前应试人前A次考试中每次考试中不合格的评分特征；
计算应试人前A次考试中每次考试中的优秀率：
其中，P代表优秀率，x0代表本次考试中应试人不合格的评分特征数量；yi代表分析数据组中本次考试第i个不合格评分特征的数量；y0代表分析数据组数量；j代表本次考试中不合格评分特征的数量；
以0.5作为优秀率的分界线，高于或等于0.5记为优秀，低于0.5记为一般；
对分析数据组中所有数据进行优秀率的标记，同时获取对应的每一个评分特征在第A次考试的合格与不合格数据；
获取当前应试人的前A次考试的优秀率，计算当前应试人第A次考试下任一评分特征的合格或不合格概率：
其中，P0代表合格或不合格概率；P1、P2、…、Pn分别代表合格或不合格数据中，与当前应试人前A次考试的优秀率的标记相同情况下的概率数据；Ph代表合格或不合格数据在分析数据组中的占比；P11、P22、…、Pnn分别代表在分析数据组中，与当前应试人前A次考试的优秀率的标记相同情况下的概率数据；
生成的合格或不合格概率进行对比，选择较大的记为评分特征的第二概率数据；其中，合格取概率值s1，不合格取概率值s2；s1、s2均为系统规定；
建立第一概率数据与第二概率数据之间的权重比例，生成评分特征的最终概率：
Pr＝k1*Pf1+k2*Pf2
其中，Pr代表最终概率；k1、k2分别代表权重；Pf1、Pf2分别代表第一概率数据与第二概率数据；
在上述技术方案中，利用分析数据组的数据情况得出每一个评分特征的占比概率，从而实现较为精确的概率判断，在设置权重过程中，k2是大于k1的，这也是因为分析数据组的数据准确度更高；
将生成的所有评分特征的最终概率按照从大到小的顺序进行排列，输出至智能管理端口。
根据上述技术方案，所述智能管理端口还包括：
智能管理端口接收所有评分特征的最终概率按照从大到小的顺序，智能形成审核清单；
将审核清单置入应试人实操考试系统，按照审核清单顺序调用当前应试人的考试评分特征，依次进行审核，在出现任一评分特征不符合考试要求时，形成预警通知，输出考试不合格通知至管理员端口，停止当前实操考试的后续审核，在全部审核完成后，将实操考试所有评分特征进行审核处理，存储至数据库中。
一种基于职业教育的互联网信息智能在线管理系统，该系统包括：数据记录模块、特征标记模块、模型分析模块、信息记录模块以及智能管理模块；
所述数据记录模块用于获取职业教育实操考试数据，并进行记录；所述特征标记模块用于标记出职业教育实操考试中的评分特征；所述模型分析模块基于历史数据下的任一实操考试的考试次数和考试中未通过的评分特征构建实操测试分析模型；所述信息记录模块利用互联网信息记录单元获取应试人实时数据，所述应试人实时数据包括应试人参与实操考试的次数与未通过的评分特征，基于实操测试分析模型输出应试人对于实操考试各个评分特征的不合格概率，按照从大到小顺序输出；所述智能管理模块用于生成审核清单，按照清单顺序依次审核实操考试中应试人的评分特征，在出现任一评分特征不符合考试要求时，输出考试不合格通知至管理员端口，停止当前实操考试的后续审核；
所述数据记录模块的输出端与所述特征标记模块的输入端相连接；所述特征标记模块的输出端与所述模型分析模块的输入端相连接；所述模型分析模块的输出端与所述信息记录模块的输入端相连接；所述信息记录模块的输出端与所述智能管理模块的输入端相连接。
根据上述技术方案，所述数据记录模块包括数据获取单元和数据记录单元；
所述数据获取单元用于获取职业教育实操考试数据；所述数据记录单元用于记录实操考试数据中的评分特征数据；
所述评分特征指在职业教育实操考试过程中，实操的每一个关键节点步骤，利用视频监测系统采集实操数据，在发现任一个关键节点步骤不满足评分要求时，认定此次职业教育实操考试不合格；
所述数据获取单元的输出端与所述数据记录单元的输入端相连接。
根据上述技术方案，所述特征标记模块包括标记单元和输出单元；
所述标记单元用于标记出职业教育实操考试中的评分特征；所述输出单元用于将标记出的职业教育实操考试中的评分特征输出至模型分析模块；
所述职业教育实操考试数据包括任一应试人在实操考试中的考试次数以及每一次的考试数据，所述每一次考试数据包括考试中未通过的评分特征。
根据上述技术方案，所述模型分析模块包括数据汇总单元和模型分析单元；
所述数据汇总单元用于汇总历史数据下的任一实操考试的考试次数数据和考试中未通过的评分特征数据；所述模型分析单元基于历史数据下的任一实操考试的考试次数数据和考试中未通过的评分特征数据构建实操测试分析模型；
所述数据汇总单元的输出端与所述模型分析单元的输入端相连接。
根据上述技术方案，所述信息记录模块包括实时数据获取单元和概率输出单元；
所述包括实时数据获取单元利用互联网信息记录单元获取应试人实时数据，所述应试人实时数据包括应试人参与实操考试的次数与未通过的评分特征；所述概率输出单元基于实操测试分析模型输出应试人对于实操考试各个评分特征的不合格概率，按照从大到小顺序输出；
所述实时数据获取单元的输出端与所述概率输出单元的输入端相连接。
根据上述技术方案，所述智能管理模块包括清单审核单元和反馈单元；
所述清单审核单元用于生成审核清单，按照清单顺序依次审核实操考试中应试人的评分特征；所述反馈单元用于在审核过程中，出现任一评分特征不符合考试要求时，输出考试不合格通知至管理员端口，停止当前实操考试的后续审核；
所述清单审核单元的输出端与所述反馈单元的输入端相连接。
与现有技术相比，本发明所达到的有益效果是：本发明能够解决职业教育中实操考试的评分问题，加快在实操考试中的审核速度，对各评分特征划定审核顺序，从而提高实操考试的评判速度，加快实操考试成绩审核，降低数据信息拥堵，加快考试流程，防止数据冗杂。
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。
在附图中：
图1是本发明一种基于职业教育的互联网信息智能在线管理系统及方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
请参阅图1，在本实施例一中，提供一种基于职业教育的互联网信息智能在线管理方法，该方法包括以下步骤：
S1、获取职业教育实操考试数据，所述职业教育实操考试数据包括任一应试人在实操考试中的考试次数以及每一次的考试数据，所述每一次考试数据包括考试中未通过的评分特征；
S2、基于历史数据下的任一实操考试的考试次数和考试中未通过的评分特征构建实操测试分析模型；
S3、利用互联网信息记录单元获取应试人实时数据，所述应试人实时数据包括应试人参与实操考试的次数与未通过的评分特征，基于实操测试分析模型输出应试人对于实操考试各个评分特征的不合格概率，按照从大到小顺序输出至智能管理端口；
S4、智能管理端口生成审核清单，按照清单顺序依次审核实操考试中应试人的评分特征，在出现任一评分特征不符合考试要求时，输出考试不合格通知至管理员端口，停止当前实操考试的后续审核。
所述评分特征指在职业教育实操考试过程中，实操的每一个关键节点步骤，利用视频监测系统采集实操数据，在发现任一个关键节点步骤不满足评分要求时，认定此次职业教育实操考试不合格。
所述构建实操测试分析模型包括：
获取职业教育实操考试数据，选取任一实操考试中任一个评分特征下不合格时的应试人参与实操考试的次数，构建第一数据集合，所述第一数据集合中存储数据N1组；
将N1组数据中按照次数数量进行随机平均分割成M1份，M1＜N1，所述次数数量为大于0的偶数，例如分割成[1，2]、[3，4]等，即代表参与一次和参与两次属于同一集合；计算每一份中元素数量与N1的比值，若满足比值中超出1/M1的数量超出或等于二分之一，将次数数量增大2再次分配，直至满足满足比值中超出1/M1的数量不超出二分之一；
记录每一组份数据的元素数量与N1的比值，实时获取当前应试人参与实操考试的次数A，输出A对应的比值作为第一概率数据；
获取任一评分特征在第A次考试中的所有应试人考试数据，调取应试人前A次考试中每次考试中不合格的评分特征，选取T组应试人数据作为分析数据组，所述分析数据组中数据满足前A次考试中每次考试中不合格的评分特征均包含当前应试人前A次考试中每次考试中不合格的评分特征；
计算应试人前A次考试中每次考试中的优秀率：
其中，P代表优秀率，x0代表本次考试中应试人不合格的评分特征数量；yi代表分析数据组中本次考试第i个不合格评分特征的数量；y0代表分析数据组数量；j代表本次考试中不合格评分特征的数量；
以0.5作为优秀率的分界线，高于或等于0.5记为优秀，低于0.5记为一般；
对分析数据组中所有数据进行优秀率的标记，同时获取对应的每一个评分特征在第A次考试的合格与不合格数据；
获取当前应试人的前A次考试的优秀率，计算当前应试人第A次考试下任一评分特征的合格或不合格概率：
其中，P0代表合格或不合格概率；P1、P2、…、Pn分别代表合格或不合格数据中，与当前应试人前A次考试的优秀率的标记相同情况下的概率数据；Ph代表合格或不合格数据在分析数据组中的占比；P11、P22、…、Pnn分别代表在分析数据组中，与当前应试人前A次考试的优秀率的标记相同情况下的概率数据；
生成的合格或不合格概率进行对比，选择较大的记为评分特征的第二概率数据；其中，合格取概率值s1，不合格取概率值s2；s1、s2均为系统规定；
建立第一概率数据与第二概率数据之间的权重比例，生成评分特征的最终概率：
Pr＝k1*Pf1+k2*Pf2
其中，Pr代表最终概率；k1、k2分别代表权重；Pf1、Pf2分别代表第一概率数据与第二概率数据；
将生成的所有评分特征的最终概率按照从大到小的顺序进行排列，输出至智能管理端口。
在本实施例中，以部分数据作为参考：
以挖掘机实操考试为例，设置其包括评分特征：挖土、整平、挖沟、刷坡等；
以挖土为例，获取不合格时的应试人参与实操考试的次数，构建第一数据集合，所述第一数据集合中存储数据N1组；
数据包括六组：{1、5、9、5、7、4}；
将N1组数据中按照次数数量进行随机平均分割成M1份，M1＜N1，所述次数数量为大于0的偶数，在分割过程中，按照最大次数和最小次数建立范围，然后选取最值靠近的偶数值作为范围两端，最小值时靠前选取，最大值时靠后选取，例如这里9次最大，1次最小，则范围值定位0-10；平均分为2份，则有0-5、6-10两组，则第一组为1、4、5、5；第二组为7、9；占比分别为2/3和1/3；
若满足比值中超出1/M1的数量超出或等于二分之一，将次数数量增大2再次分配，则按照4次再次分配，则有0-2.5；2.5-5；5-7.5；7.5-10；在重复时，含前不含后，则有第一组1；第二组4；第三组5、5、7；第四组9；此时直至满足满足比值中超出1/M1的数量不超出二分之一；
记录每一组份数据的元素数量与N1的比值，实时获取当前应试人参与实操考试的次数A，输出A对应的比值作为第一概率数据；
若此时当前应试人为3次，则记为2.5-5的区间，为1/6；在历史数据取值过程中，次数范围应包含较大范围，以防止当前应试人不属于范围内的情况，若出现当前应试人不属于范围情况内，系统进行报错标记，单独处理。
在本实施例中，以挖土为例，获取该评分特征在第A次考试中的所有应试人考试数据，调取应试人前A次考试中每次考试中不合格的评分特征，选取T组应试人数据作为分析数据组，所述分析数据组中数据满足前A次考试中每次考试中不合格的评分特征均包含当前应试人前A次考试中每次考试中不合格的评分特征；
当前应试人为3次，因此A取3次；
数据源如下：
第一组：第一次考试不合格评分特征包括x1、x2；第二次考试不合格评分特征包括x2、x3；第三次考试合格；
第二组：第一次考试不合格评分特征包括x1；第二次考试不合格评分特征包括x1、x2、x3；第三次考试不合格；
第三组：第一次考试不合格评分特征包括x1、x2；第二次考试不合格评分特征包括x3；第三次考试不合格；
第四组：第一次考试不合格评分特征包括x1、x2、x3；第二次考试不合格评分特征包括x2、x3；第三次考试不合格；
计算应试人前A次考试中每次考试中的优秀率：
其中，P代表优秀率，x0代表本次考试中应试人不合格的评分特征数量；yi代表分析数据组中本次考试第i个不合格评分特征的数量；y0代表分析数据组数量；j代表本次考试中不合格评分特征的数量；
则有第一组的计算为：
以0.5作为优秀率的分界线，高于或等于0.5记为优秀，低于0.5记为一般；
则第一组的第一次考试记为一般；
以此类推，计算出每一组的每一次考试优秀率的标记；
获取对应的每一个评分特征在第A次考试的合格与不合格数据；
获取当前应试人的前A次考试的优秀率，计算当前应试人第A次考试下任一评分特征的合格或不合格概率：
其中，P0代表合格或不合格概率；P1、P2、…、Pn分别代表合格或不合格数据中，与当前应试人前A次考试的优秀率的标记相同情况下的概率数据；Ph代表合格或不合格数据在分析数据组中的占比；P11、P22、…、Pnn分别代表在分析数据组中，与当前应试人前A次考试的优秀率的标记相同情况下的概率数据；
在上述数据中，Ph合格为1/4；不合格为3/4；假设挖土为x1；第五组(实时应试人)：第一次考试不合格评分特征包括x1、x2；第二次考试不合格评分特征包括x1；
则P1、P2、…、Pn的计算为(以P1为例)：
首先将第五组(实时应试人)数据加入分析数据组生成优秀率，例如为优秀、一般；
则选取合格的数据下且第一次为优秀的占比记为P1，同理可得其他；
生成的合格或不合格概率进行对比，选择较大的记为评分特征的第二概率数据；其中，合格取概率值s1，不合格取概率值s2；s1、s2均为系统规定；
建立第一概率数据与第二概率数据之间的权重比例，生成评分特征的最终概率：
Pr＝k1*Pf1+k2*Pf2
其中，Pr代表最终概率；k1、k2分别代表权重；Pf1、Pf2分别代表第一概率数据与第二概率数据；
所述智能管理端口还包括：
智能管理端口接收所有评分特征的最终概率按照从大到小的顺序，智能形成审核清单；
将审核清单置入应试人实操考试系统，按照审核清单顺序调用当前应试人的考试评分特征，依次进行审核，在出现任一评分特征不符合考试要求时，形成预警通知，输出考试不合格通知至管理员端口，停止当前实操考试的后续审核，在全部审核完成后，将实操考试所有评分特征进行审核处理，存储至数据库中。
在本实施例二中，提供一种基于职业教育的互联网信息智能在线管理系统，该系统包括：数据记录模块、特征标记模块、模型分析模块、信息记录模块以及智能管理模块；
所述数据记录模块用于获取职业教育实操考试数据，并进行记录；所述特征标记模块用于标记出职业教育实操考试中的评分特征；所述模型分析模块基于历史数据下的任一实操考试的考试次数和考试中未通过的评分特征构建实操测试分析模型；所述信息记录模块利用互联网信息记录单元获取应试人实时数据，所述应试人实时数据包括应试人参与实操考试的次数与未通过的评分特征，基于实操测试分析模型输出应试人对于实操考试各个评分特征的不合格概率，按照从大到小顺序输出；所述智能管理模块用于生成审核清单，按照清单顺序依次审核实操考试中应试人的评分特征，在出现任一评分特征不符合考试要求时，输出考试不合格通知至管理员端口，停止当前实操考试的后续审核；
所述数据记录模块的输出端与所述特征标记模块的输入端相连接；所述特征标记模块的输出端与所述模型分析模块的输入端相连接；所述模型分析模块的输出端与所述信息记录模块的输入端相连接；所述信息记录模块的输出端与所述智能管理模块的输入端相连接。
所述数据记录模块包括数据获取单元和数据记录单元；
所述数据获取单元用于获取职业教育实操考试数据；所述数据记录单元用于记录实操考试数据中的评分特征数据；
所述评分特征指在职业教育实操考试过程中，实操的每一个关键节点步骤，利用视频监测系统采集实操数据，在发现任一个关键节点步骤不满足评分要求时，认定此次职业教育实操考试不合格；
所述数据获取单元的输出端与所述数据记录单元的输入端相连接。
所述特征标记模块包括标记单元和输出单元；
所述标记单元用于标记出职业教育实操考试中的评分特征；所述输出单元用于将标记出的职业教育实操考试中的评分特征输出至模型分析模块；
所述职业教育实操考试数据包括任一应试人在实操考试中的考试次数以及每一次的考试数据，所述每一次考试数据包括考试中未通过的评分特征。
所述模型分析模块包括数据汇总单元和模型分析单元；
所述数据汇总单元用于汇总历史数据下的任一实操考试的考试次数数据和考试中未通过的评分特征数据；所述模型分析单元基于历史数据下的任一实操考试的考试次数数据和考试中未通过的评分特征数据构建实操测试分析模型；
所述数据汇总单元的输出端与所述模型分析单元的输入端相连接。
所述信息记录模块包括实时数据获取单元和概率输出单元；
所述包括实时数据获取单元利用互联网信息记录单元获取应试人实时数据，所述应试人实时数据包括应试人参与实操考试的次数与未通过的评分特征；所述概率输出单元基于实操测试分析模型输出应试人对于实操考试各个评分特征的不合格概率，按照从大到小顺序输出；
所述实时数据获取单元的输出端与所述概率输出单元的输入端相连接。
所述智能管理模块包括清单审核单元和反馈单元；
所述清单审核单元用于生成审核清单，按照清单顺序依次审核实操考试中应试人的评分特征；所述反馈单元用于在审核过程中，出现任一评分特征不符合考试要求时，输出考试不合格通知至管理员端口，停止当前实操考试的后续审核；
所述清单审核单元的输出端与所述反馈单元的输入端相连接。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于职业教育的互联网信息智能在线管理方法，其特征在于：该方法包括以下步骤：
S1、获取职业教育实操考试数据，所述职业教育实操考试数据包括任一应试人在实操考试中的考试次数以及每一次的考试数据，所述每一次考试数据包括考试中未通过的评分特征；
S2、基于历史数据下的任一实操考试的考试次数和考试中未通过的评分特征构建实操测试分析模型；
S3、利用互联网信息记录单元获取应试人实时数据，所述应试人实时数据包括应试人参与实操考试的次数与未通过的评分特征，基于实操测试分析模型输出应试人对于实操考试各个评分特征的不合格概率，按照从大到小顺序输出至智能管理端口；
S4、智能管理端口生成审核清单，按照清单顺序依次审核实操考试中应试人的评分特征，在出现任一评分特征不符合考试要求时，输出考试不合格通知至管理员端口，停止当前实操考试的后续审核；
所述构建实操测试分析模型包括：
获取职业教育实操考试数据，选取任一实操考试中任一个评分特征下不合格时的应试人参与实操考试的次数，构建第一数据集合，所述第一数据集合中存储数据N1组；
将N1组数据中按照次数数量进行随机平均分割成M1份，M1＜N1，所述次数数量为大于0的偶数，计算每一份中元素数量与N1的比值，若满足比值中超出1/M1的数量超出或等于二分之一，将次数数量增大2再次分配，直至满足满足比值中超出1/M1的数量不超出二分之一；分割的区间端点重复时，含前不含后；
记录每一组份数据的元素数量与N1的比值，实时获取当前应试人参与实操考试的次数A，输出A对应的比值作为第一概率数据；
获取任一评分特征在第A次考试中的所有应试人考试数据，调取应试人前A次考试中每次考试中不合格的评分特征，选取T组应试人数据作为分析数据组，所述分析数据组中数据满足前A次考试中每次考试中不合格的评分特征均包含当前应试人前A次考试中每次考试中不合格的评分特征；
计算应试人前A次考试中每次考试中的优秀率：
其中，P代表优秀率，x0代表本次考试中应试人不合格的评分特征数量；yi代表分析数据组中本次考试第i个不合格评分特征的数量；y0代表分析数据组数量；j代表本次考试中不合格评分特征的数量；
以0.5作为优秀率的分界线，高于或等于0.5记为优秀，低于0.5记为一般；
对分析数据组中所有数据进行优秀率的标记，同时获取对应的每一个评分特征在第A次考试的合格与不合格数据；
获取当前应试人的前A次考试的优秀率，计算当前应试人第A次考试下任一评分特征的合格或不合格概率：
其中，P0代表合格或不合格概率；P1、P2、…、Pn分别代表合格或不合格数据中，与当前应试人前A次考试的优秀率的标记相同情况下的概率数据；Ph代表合格或不合格数据在分析数据组中的占比；P11、P22、…、Pnn分别代表在分析数据组中，与当前应试人前A次考试的优秀率的标记相同情况下的概率数据；
生成的合格或不合格概率进行对比，选择较大的记为评分特征的第二概率数据；其中，合格取概率值s1，不合格取概率值s2；s1、s2均为系统规定；
建立第一概率数据与第二概率数据之间的权重比例，生成评分特征的最终概率：
Pr＝k1*Pf1+k2*Pf2
其中，Pr代表最终概率；k1、k2分别代表权重；Pf1、Pf2分别代表第一概率数据与第二概率数据；
将生成的所有评分特征的最终概率按照从大到小的顺序进行排列，输出至智能管理端口。
2.根据权利要求1所述的一种基于职业教育的互联网信息智能在线管理方法，其特征在于：所述评分特征指在职业教育实操考试过程中，实操的每一个关键节点步骤，利用视频监测系统采集实操数据，在发现任一个关键节点步骤不满足评分要求时，认定此次职业教育实操考试不合格。
3.根据权利要求2所述的一种基于职业教育的互联网信息智能在线管理方法，其特征在于：所述智能管理端口还包括：
智能管理端口接收所有评分特征的最终概率按照从大到小的顺序，智能形成审核清单；
将审核清单置入应试人实操考试系统，按照审核清单顺序调用当前应试人的考试评分特征，依次进行审核，在出现任一评分特征不符合考试要求时，形成预警通知，输出考试不合格通知至管理员端口，停止当前实操考试的后续审核，在全部审核完成后，将实操考试所有评分特征进行审核处理，存储至数据库中。
4.一种基于职业教育的互联网信息智能在线管理系统，应用于权利要求1所述的一种基于职业教育的互联网信息智能在线管理方法，其特征在于：该系统包括：数据记录模块、特征标记模块、模型分析模块、信息记录模块以及智能管理模块；
所述数据记录模块用于获取职业教育实操考试数据，并进行记录；所述特征标记模块用于标记出职业教育实操考试中的评分特征；所述模型分析模块基于历史数据下的任一实操考试的考试次数和考试中未通过的评分特征构建实操测试分析模型；所述信息记录模块利用互联网信息记录单元获取应试人实时数据，所述应试人实时数据包括应试人参与实操考试的次数与未通过的评分特征，基于实操测试分析模型输出应试人对于实操考试各个评分特征的不合格概率，按照从大到小顺序输出；所述智能管理模块用于生成审核清单，按照清单顺序依次审核实操考试中应试人的评分特征，在出现任一评分特征不符合考试要求时，输出考试不合格通知至管理员端口，停止当前实操考试的后续审核；
所述数据记录模块的输出端与所述特征标记模块的输入端相连接；所述特征标记模块的输出端与所述模型分析模块的输入端相连接；所述模型分析模块的输出端与所述信息记录模块的输入端相连接；所述信息记录模块的输出端与所述智能管理模块的输入端相连接。
5.根据权利要求4所述的一种基于职业教育的互联网信息智能在线管理系统，其特征在于：所述数据记录模块包括数据获取单元和数据记录单元；
所述数据获取单元用于获取职业教育实操考试数据；所述数据记录单元用于记录实操考试数据中的评分特征数据；
所述评分特征指在职业教育实操考试过程中，实操的每一个关键节点步骤，利用视频监测系统采集实操数据，在发现任一个关键节点步骤不满足评分要求时，认定此次职业教育实操考试不合格；
所述数据获取单元的输出端与所述数据记录单元的输入端相连接。
6.根据权利要求4所述的一种基于职业教育的互联网信息智能在线管理系统，其特征在于：所述特征标记模块包括标记单元和输出单元；
所述标记单元用于标记出职业教育实操考试中的评分特征；所述输出单元用于将标记出的职业教育实操考试中的评分特征输出至模型分析模块；
所述职业教育实操考试数据包括任一应试人在实操考试中的考试次数以及每一次的考试数据，所述每一次考试数据包括考试中未通过的评分特征。
7.根据权利要求4所述的一种基于职业教育的互联网信息智能在线管理系统，其特征在于：所述模型分析模块包括数据汇总单元和模型分析单元；
所述数据汇总单元用于汇总历史数据下的任一实操考试的考试次数数据和考试中未通过的评分特征数据；所述模型分析单元基于历史数据下的任一实操考试的考试次数数据和考试中未通过的评分特征数据构建实操测试分析模型；
所述数据汇总单元的输出端与所述模型分析单元的输入端相连接。
8.根据权利要求4所述的一种基于职业教育的互联网信息智能在线管理系统，其特征在于：所述信息记录模块包括实时数据获取单元和概率输出单元；
所述包括实时数据获取单元利用互联网信息记录单元获取应试人实时数据，所述应试人实时数据包括应试人参与实操考试的次数与未通过的评分特征；所述概率输出单元基于实操测试分析模型输出应试人对于实操考试各个评分特征的不合格概率，按照从大到小顺序输出；
所述实时数据获取单元的输出端与所述概率输出单元的输入端相连接。
9.根据权利要求4所述的一种基于职业教育的互联网信息智能在线管理系统，其特征在于：所述智能管理模块包括清单审核单元和反馈单元；
所述清单审核单元用于生成审核清单，按照清单顺序依次审核实操考试中应试人的评分特征；所述反馈单元用于在审核过程中，出现任一评分特征不符合考试要求时，输出考试不合格通知至管理员端口，停止当前实操考试的后续审核；
所述清单审核单元的输出端与所述反馈单元的输入端相连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310856724.5A CN117196899B (zh) | 2023-07-13 | 2023-07-13 | 一种基于职业教育的互联网信息智能在线管理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310856724.5A CN117196899B (zh) | 2023-07-13 | 2023-07-13 | 一种基于职业教育的互联网信息智能在线管理系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117196899A CN117196899A (zh) | 2023-12-08 |
| CN117196899B true CN117196899B (zh) | 2024-03-15 |
Family
ID=88996761
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310856724.5A Active CN117196899B (zh) | 2023-07-13 | 2023-07-13 | 一种基于职业教育的互联网信息智能在线管理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117196899B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9953279B1 (en) * | 2011-10-21 | 2018-04-24 | Motio, Inc. | System and method for computer-assisted improvement of business intelligence ecosystem |
| CN108924082A (zh) * | 2018-05-07 | 2018-11-30 | 长庆石油勘探局有限公司技术监测中心 | 一种特种作业人员实际操作考试控制方法及系统 |
| CN112418113A (zh) * | 2020-11-26 | 2021-02-26 | 中国人民解放军陆军军医大学第一附属医院 | 一种医学技能考试系统 |
| CN114971565A (zh) * | 2022-06-01 | 2022-08-30 | 朱健 | 基于互联网的区块链智慧服务系统 |
| CN115082271A (zh) * | 2022-08-23 | 2022-09-20 | 广州远程教育中心有限公司 | 职业教育数字化教学的沉浸式考试防作弊方法及系统 |
-
2023
- 2023-07-13 CN CN202310856724.5A patent/CN117196899B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9953279B1 (en) * | 2011-10-21 | 2018-04-24 | Motio, Inc. | System and method for computer-assisted improvement of business intelligence ecosystem |
| CN108924082A (zh) * | 2018-05-07 | 2018-11-30 | 长庆石油勘探局有限公司技术监测中心 | 一种特种作业人员实际操作考试控制方法及系统 |
| CN112418113A (zh) * | 2020-11-26 | 2021-02-26 | 中国人民解放军陆军军医大学第一附属医院 | 一种医学技能考试系统 |
| CN114971565A (zh) * | 2022-06-01 | 2022-08-30 | 朱健 | 基于互联网的区块链智慧服务系统 |
| CN115082271A (zh) * | 2022-08-23 | 2022-09-20 | 广州远程教育中心有限公司 | 职业教育数字化教学的沉浸式考试防作弊方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于深度信念网络的轮机实操智能评估方法;段尊雷 等;《大连海事大学学报》;第43卷(第03期);第89-94页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117196899A (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Brawley et al. | Conducting team building research in the context of sport and exercise | |
| Sani et al. | Drop-out prediction in higher education among B40 students | |
| CN111461442B (zh) | 基于联邦学习的知识追踪的方法及系统 | |
| US20140214712A1 (en) | Method for admitting an admissions applicant into an academic institution | |
| CN110135754A (zh) | 试题评估方法及装置 | |
| Gauthier et al. | Is historical data an appropriate benchmark for reviewer recommendation systems?: A case study of the gerrit community | |
| CN117196899B (zh) | 一种基于职业教育的互联网信息智能在线管理系统及方法 | |
| CN109635869A (zh) | 在线学习干预系统 | |
| Nita et al. | Machine learning in the enrolment management process: a case study of using GANs in postgraduate students' structure prediction | |
| Salam et al. | Student Graduation Prediction Model using Deep Learning Convolutional Neural Network (CNN) | |
| Madeira et al. | Prediction of student performance using rough set theory and backpropagation neural networks | |
| CN115170358A (zh) | 一种基于大数据的未来学校环境课程设计系统 | |
| Hagborg | A study of homework time of a high school sample | |
| Autenriech et al. | Stacked ensemble learning for propensity score methods in observational studies | |
| Gu et al. | Cluster analysis on the teaching evaluation data from college students | |
| CN111815488A (zh) | 基于决策树的光伏发电助学方法 | |
| CN115375516B (zh) | 基于互联网的教育信息管理系统 | |
| Choobineh et al. | Should rule-based reasoning be enhanced by case-based reasoning for conceptual database design? A theory and an experiment | |
| Deepika et al. | Analyze and predicting the student academic performance using data mining tools | |
| Hou | Inheritance and development of traditional sports culture in college physical education in the context of deep learning | |
| Hoang et al. | Factors affecting youth entrepreneurial intention and suggestions for policymaking: The case of Vinh Long Province | |
| CN108009760A (zh) | 班风生成与评价的方法及系统 | |
| Thulasidas et al. | Cold calls to enhance class participation and student engagement | |
| US20230070427A1 (en) | Student performance evaluation method and system based on ai identification data | |
| Baloul et al. | Fuzzy academic advising system for on probation students in colleges of applied sciences—Sultanate of Oman |
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 |