CN117789546A - 人员能力训练方法、系统、电子设备及存储介质 - Google Patents
人员能力训练方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117789546A CN117789546A CN202311715934.9A CN202311715934A CN117789546A CN 117789546 A CN117789546 A CN 117789546A CN 202311715934 A CN202311715934 A CN 202311715934A CN 117789546 A CN117789546 A CN 117789546A
- Authority
- CN
- China
- Prior art keywords
- training
- test
- personnel
- data
- tested
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 340
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000012360 testing method Methods 0.000 claims abstract description 337
- 230000015654 memory Effects 0.000 claims abstract description 83
- 230000003935 attention Effects 0.000 claims description 92
- 238000003062 neural network model Methods 0.000 claims description 34
- 230000003993 interaction Effects 0.000 claims description 29
- 230000002452 interceptive effect Effects 0.000 claims description 28
- 230000004044 response Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 9
- 230000010332 selective attention Effects 0.000 claims description 9
- 230000002085 persistent effect Effects 0.000 claims description 8
- 230000003936 working memory Effects 0.000 claims description 8
- 230000007103 stamina Effects 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000012030 stroop test Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000001629 suppression Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000000638 stimulation Effects 0.000 description 3
- 241000699666 Mus <mouse, genus> Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- RZVAJINKPMORJF-UHFFFAOYSA-N Acetaminophen Chemical compound CC(=O)NC1=CC=C(O)C=C1 RZVAJINKPMORJF-UHFFFAOYSA-N 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000036421 sense of balance Effects 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种人员能力训练方法和系统、电子设备及存储介质。其中,该方法应用于人员能力训练设备,包括:对被试人员进行人员能力测试,得到对应的人员能力测试数据;所述人员能力测试包括注意力测试和/或记忆力测试;根据所述人员能力测试数据确定所述被试人员的初始训练难度;根据所述初始训练难度对所述被试人员进行人员能力训练;所述人员能力训练包括注意力训练和/或记忆力训练。
Description
技术领域
本申请涉及人因工程、人工智能、安全、航空航天技术领域,尤其涉及一种人员能力训练方法、系统、电子设备及存储介质。
背景技术
飞行能力(flight ability)是指能够顺利完成飞行活动所必需的各种心理品质的有机综合,主要可分为飞行员一般能力和飞行员特殊能力两个大类。飞行员一般能力则主要包括注意力和记忆力两个主要维度。优秀的飞行员需要具备良好的注意品质、记忆容量大且能够迅速准确提取、精准快速的动作反应能力和决策能力,从而可以胜任复杂的高空飞行作业。由此可见,相较于一般人员,飞行员等或特种职业人群对于注意力和记忆力的要求要更高。因此,如何对飞行员的注意力以及记忆力进行有效的训练并提高训练的效率,是目前亟待解决的问题。
发明内容
有鉴于此,本发明实施例提供一种人员能力训练方法、系统、电子设备及存储介质,通过对不同的被试人员采用不同的训练难度进行能力训练,从而提高人员能力训练的效率。
第一方面,本发明实施例提供一种人员能力训练方法,应用于人员能力训练设备,包括:
对被试人员进行人员能力测试,得到对应的人员能力测试数据;所述人员能力测试包括注意力测试和/或记忆力测试;
根据所述人员能力测试数据确定所述被试人员的初始训练难度;
根据所述初始训练难度对所述被试人员进行人员能力训练;所述人员能力训练包括注意力训练和/或记忆力训练。
在一种可能的实现方式中,所述人员能力测试包括所述注意力测试和/或记忆力测试;所述人员能力训练设备设置有互动部面板;
所述注意力测试包括以下测试项中的一项或多项组合:选择性注意测试、持续性注意测试、分配性注意测试、注意广度测试以及注意转移测试;
所述记忆力测试包括以下测试项中的一项或多项组合:工作记忆广度测试、抑制测试、刷新测试以及转换测试;
所述人员能力测试数据包括多个测试项所对应的测试结果数据,所述测试结果数据至少包括以下信息中的一项或多项组合:正确率、漏报率、平均正确反应时以及平均反应时;
其中,所述测试结果数据是根据所述被试人员对设置在所述互动部面板左右两侧对称配置的摇杆和/或设置在所述互动部面板中部的多个互动按键的互动操作得到的。
在一种可能的实现方式中,所述根据所述人员能力测试数据确定所述被试人员的初始训练难度,包括:
对所述多个测试项对应的所述测试结果数据进行数据处理;所述数据处理包括取平均值、取众数、取中位数以及加权计算中的至少一项;
根据所述数据处理的结果确定所述初始训练难度。
在一种可能的实现方式中,根据所述人员能力测试数据确定所述被试人员的初始训练难度,包括:
获取所述被试人员的职业属性信息以及人员能力历史测试数据;
根据所述职业属性信息、与所述职业属性信息对应的职业平均测试数据以及人员能力历史测试数据中的一项或多项组合,确定所述被试人员的人员能力水平的第一预测值;
根据所述人员能力水平的第一预测值以及所述人员能力测试数据确定所述初始训练难度;
所述职业属性信息包括以下信息的一种或多种组合:
年龄、性别、职业类型、从业年限以及职业任务信息。
在一种可能的实现方式中,所述被试人员的人员能力水平的第一预测值根据所述职业平均测试数据以及人员能力历史测试数据确定,具体包括:
确定所述人员能力历史测试数据与所述职业平均测试数据之间的偏差值;
基于所述偏差值确定所述被试人员的人员能力水平的第一预测值。
在一种可能的实现方式中,所述被试人员的人员能力水平的第一预测值根据所述职业属性信息以及人员能力历史测试数据确定,具体包括:
将所述职业属性信息以及所述人员能力历史测试数据输入预先训练好的目标神经网络模型,以使所述目标神经网络模型输出所述人员能力水平的第一预测值。
在一种可能的实现方式中,所述目标神经网络模型的训练过程包括:
获取训练数据集;所述训练数据集包括预先标注人员能力水平的预测值的训练数据;所述训练数据由职业属性信息以及人员能力历史测试数据构成;
将所述训练数据集输入到初始模型中进行迭代训练,以使所述初始模型学习到不同人员能力水平的预测值所对应的训练数据的数据特征;
当检测到所述初始模型满足预设结束条件时确定迭代训练完成,得到所述目标神经网络模型。
在一种可能的实现方式中,所述方法还包括:
获取所述被试人员的人员能力测试数据对应的人员能力水平的人工标注值;
将所述被试人员的人员能力测试数据输入所述目标神经网络,得到对应的第二预测值;
判断所述人工标注值与所述第二预测值之间的差值是否大于第一阈值;
若是,则根据所述人工标注值、所述被试人员的人员能力测试数据以及所述被试人员的职业属性信息构建目标训练数据集;
基于所述目标训练数据集对所述目标神经网络模型进行再训练。
在一种可能的实现方式中,所述人员能力训练包括多个训练项,所述根据所述初始训练难度对所述被试人员进行人员能力训练,包括:
获取各个所述训练项的训练结果数据;
当检测到所述训练结果数据满足预设条件时,对所述人员能力训练的难度进行对应调整。
在一种可能的实现方式中,对所述人员能力训练的难度进行对应调整,包括:
按照预设时间间隔获取所述被试人员在人员能力训练过程中产生的所述训练结果数据;
将所述训练结果数据输入所述目标神经网络模型,以使所述目标神经网络模型输出对应的第三预测值;
根据所述第三预测值确定所述人员能力训练的难度的调整值;
根据所述调整值对所述人员能力训练的难度进行对应调整。
在一种可能的实现方式中,所述根据所述初始训练难度对所述被试人员进行人员能力训练之后,所述方法还包括:
对所述被试人员进行训练结果测评,得到所述被试人员的训练结果测评数据;
基于所述人员能力测试数据、所述训练结果数据以及所述训练结果测评数据生成所述被试人员的训练报告。
在一种可能的实现方式中,所述根据所述初始训练难度对所述被试人员进行人员能力训练之后,所述方法还包括:
根据所述训练结果测评数据从所述多个训练项中确定待加强训练项;
根据所述待加强训练项生成所述被试人员的定制化训练方案。
第二方面,本发明实施例提供一种人员能力训练系统,包括:
测试模块,用于对被试人员进行人员能力测试,得到对应的人员能力测试数据;所述人员能力测试包括注意力测试和/或记忆力测试;
处理模块,用于根据所述人员能力测试数据确定所述被试人员的初始训练难度;
训练模块,用于根据所述初始训练难度对所述被试人员进行人员能力训练;所述人员能力训练包括注意力训练和/或记忆力训练。
在一种可能的实现方式中,还包括:互动模块,
所述互动模块左右两侧对称配置有摇杆;
所述互动模块中部设置有多个互动按键;
所述摇杆和/或所述多个互动按键用于根据所述被试人员的互动操作生成对应的互动反馈数据,所述测试模块基于所述互动反馈数据得到所述人员能力测试数据。
第三方面,本发明实施例提供一种电子设备,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行第二方面所述的方法。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行第二方面所述的方法。
本发明实施例中,在对被试人员进行人员能力训练之前先对用户进行人员能力测试,从而根据人员能力测试的结果来选择适合被试人员实际情况的训练难度来进行训练,从而可以提高人员能力训练的效率。并且,通过在训练过程中根据被试人员的情况对训练难度进行自适应调整,增加训练的效果。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种人员能力训练方法的流程图;
图2为本发明实施例提供的一种人员能力训练设备的示意图;
图3为本发明实施例提供的一种互动部的面板示意图;
图4为本发明实施例提供的一种人员能力训练系统的结构示意图;
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为了更好的理解本申请的技术方案,下面结合附图对本申请实施例进行详细描述。
应当明确,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,甲和/或乙,可以表示:单独存在甲,同时存在甲和乙,单独存在乙这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
为了解决现有技术中采用相同难度的人员能力训练对不同的被试人员进行训练而导致的训练效果较差以及训练效率较低的问题,本发明实施例提供了一种人员能力训练方法,应用于人员能力训练设备,可以提高训练效果并提高训练效率。图1为本发明实施例提供的一种人员能力训练方法的流程图。如图1中所示,该方法包括:
步骤101,对被试人员进行人员能力测试,得到对应的人员能力测试数据。人员能力测试包括注意力测试和/或记忆力测试。其中,人员能力测试数据为用户在人员能力测试中的测试结果,即测试成绩。由于测试时需要对用户至少施加一个维度的刺激(视觉刺激、听觉刺激等),用户对该刺激进行反馈,从而产生互动数据。之后可以将该互动数据与预设答案进行比对,当互动数据与预设答案匹配时即可确定被试人员回答正确,如果不匹配则确定被试人员回答错误。
在一些实施例中,在进行人员能力测试之前可以先构建被试人员的测试档案,具体可以实现为建立用户账号等方式。通过建立用户账号来将对应的人员能力测试数据与该被试人员进行关联。
例如,首先选择注意力测试或者记忆力测试,或者对注意力测试与记忆力测试都进行选择,之后被试人员填写个人信息完成账号注册。之后用户登陆该账号后根据先前的测试选择来进行具体的注意力测试以及记忆力测试。或者,由管理人员预先批量建立多个用户的账号,之后用户凭借账号关联的标识信息(例如账号以及密码,或者工号、手机号以及身份证号等身份标识信息)来完成登陆操作。
在一些实施例中,步骤101中测试项即为不同的测试维度。以注意力测试为例,当人员能力测试包括注意力测试时,注意力测试包括:选择性注意测试、持续性注意测试、分配性注意测试、注意广度测试以及注意转移测试中的一种或多种组合。当人员能力测试包括记忆力测试时,记忆力测试的测试项包括:工作记忆广度测试、抑制测试、刷新测试以及转换测试中的一种或多种组合。人员能力测试数据可以具体包括多个测试项所对应的测试结果数据。测试结果数据可以包括正确率、漏报率、平均正确反应时以及平均反应时中的一项或多项组合。
具体的,人员能力训练设备设置有互动部面板。则测试结果数据可以根述被试人员对设置在所述互动部面板左右两侧对称配置的摇杆和/或设置在互动部面板中部的多个互动按键的互动操作得到的。具体的,在对被测人员进行人员能力测试时,通过在人员能力训练设备自身的显示装置(或外接显示装置)上显示对应的刺激内容,被试人员通过按下对应的互动按键或者操控摇杆来产生对应的互动数据,基于该互动数据可以得到测试结果数据。
步骤102,根据人员能力测试数据确定被试人员的初始训练难度。其中,通过人员能力测试数据对被试人员的注意力以及记忆力强弱进行量化评判,进而可以根据被试人员的注意力或记忆力的强弱来匹配相对应的初始训练难度。
步骤103,根据初始训练难度对被试人员进行人员能力训练。人员能力训练包括注意力训练和/或记忆力训练。其中,当被试人员仅进行了注意力测试时,则对应的人员能力训练也仅包括注意力训练。当被试人员仅进行了记忆力测试时,则对应的人员能力训练仅包括记忆力训练。当被试人员进行了注意力测试以及记忆力测试时,人员能力训练可以仅包括注意力训练,或者仅包括记忆力训练,或者包括注意力训练+记忆力训练。
上述实施例中,通过在训练前对被试人员进行人员能力测试,从而可以根据测试的结果来为被试人员匹配一个符合被试人员水平的初始训练难度,根据该初始训练难度对被试人员进行人员能力训练时可以提高训练的效率。
在一些实施例中,上述的注意力测试中包括选择性注意测试、持续性注意测试、分配性注意测试、注意广度测试以及注意转移测试等多个维度的测试方向。对于每个测试方向,其对应了不同的测试方法。具体的,在对被试人员进行选择性注意测试时,可以通过Stroop任务来对被试人员进行测试。经典Stroop任务向被试人员施加视觉刺激。该视觉刺激具体实现为呈现表示颜色的字词(如“黄”字)的形式。该字词的字体颜色包括与其实际意义匹配(如黄色字体书写的“黄”字)和与其实际意义不匹配(如红色字体书写的“黄”字)两种情况。在测试时,用户根据呈现的刺激内容反馈一个交互数据。例如,当字词字体的颜色与其实际意义一致时,被试人员按“F”键。不一致则按“J”键。
对于持续性注意测试,可以通过舒尔特方格任务来对被试人员进行测试。舒尔特方格任务具体包括多种大小规格,适用于不同人群完成持续性注意的测评与训练。在舒尔特方格任务中,被试人员需将屏幕上呈现的一系列位置与大小无关的数字按从小到大的顺序进行点击或勾选。
对于分配性注意测试,可以通过双手协调任务来对被试人员进行测试。在双手协调任务中,被试人员采用双手摇动或手指旋转两种动作方式,使目标进行前后、左右的移动,从而完成沿图形轨迹的运动。
对于注意广度测试,可以通过目标计数任务来对被试人员进行测试。具体的,在目标计数任务中,被试人员将看到屏幕上呈现的若干数量的目标物体,刺激呈现完毕后,要求被试人员快速判断屏幕上呈现的目标物体的数量并输入、确定。
对于注意转移测试,可以通过连线测试的方式来对被试人员进行测试。具体的,连线测试可以包括含A、B两部分。A部分要求被试人员按从小到大的顺序连接n个随机位置的数字,即1-2-3-4-5-...。B部分要求被试人员交替按数字从小到大或字母表顺序连接一系列随机位置的数字和字母,即1-A-2-B-3-C-...。
对于记忆力测试,则是包括了工作记忆广度测试、抑制测试、刷新测试以及转换测试等多个维度。对于工作记忆广度测试,可以采用复杂广度训练任务来对被试人员进行测试。具体的,复杂广度训练任务可以由操作广度任务、阅读广度任务和对称广度任务组合而成。在操作广度任务中,首先要求被试人员解决一个简单的数学运算问题,然后呈现一个需要记住的字母。数学问题和字母依次交替出现。呈现完毕后,要求被试人员对字母进行顺序回忆。在阅读广度任务中,屏幕中央会出现一个句子,需要被试人员判断句子是否合理,然后呈现一个需要记住的字母。句子和字母依次交替出现。呈现完毕后,要求被试人员对字母进行顺序回忆。在对称广度任务中,可以向被试人员呈现一些图形,要求被试人员判断这些图形是否沿对称轴对称,然后向其呈现一个n*m(例如4×4)的方格,目标颜色方块随机出现在一个格子中,需记住目标颜色方块出现的位置。两个任务依次交替出现,呈现完毕后,要求被试人员按顺序回忆目标颜色方块出现的位置。
对于抑制测试,和刷新测试,可以通过双n-back训练任务来对被试人员进行测试。该测试可以同时测试抑制维度和刷新维度。n-back训练任务要求被试者将刚刚出现过的刺激与前面第n个刺激相比较,通过控制当前刺激与目标刺激间隔的刺激个数来操纵负荷。当n=1时,要求被试者比较当前刺激和与它相邻的前一个刺激。当n=2时,则比较当前刺激和与它前面隔一个位置上的刺激。当n=3时,要求比较的是当前刺激和它前面隔两个位置上的刺激,依此类推获得不同程度的任务难度。相较于n-back训练任务,双n-back训练任务则是同时施加两种刺激(例如视觉刺激+听觉刺激)。具体的,在双n-back训练任务中被试人员需要同时监控两个评估任务,一个涉及言语成分(听觉刺激),另一个涉及视觉-空间成分(视觉刺激)。首先,被试人员需要跟随电脑屏幕上出现的一个3*3方框,其内部随机位置会出现一个带颜色的方块,被试人员需要记住方块出现的位置。与此同时,被试人员会从耳机中听到一个字母,并被要求大声朗读。被试人员需要将看到的方块位置与前面第n个方块位置进行比较,一致时按F键,不一致不按键。同时,将听到的字母与前面听到的第n个字母进行比较,一致时按J键,不一致不按键。若方块位置和字母均与前面第n个刺激相同,则可以按下确认键或空格键。若均不相同,则不按键。
对于转换维度则可以通过活动记忆训练任务来对被试人员进行测试。同时,活动记忆训练任务也可以测试刷新维度。具体的,活动记忆训练任务包含字母、图形和方位三个版本。三种版本的任务模式相似,只是呈现的刺激内容不同。以自适应字母活动记忆任务为例,不同字母依次呈现在屏幕中央,且每次出现的个数不同,包括不同的多种个数组合(例如,5个、7个、11个等),每种个数组合随机出现。被试人员被要求依次记住显示的个数组合中最后的三个字母,并在每一试次最后的方框中依次输入最后的三个字母。由于被试人员不知道每次出现的字母总数,故而需要不断刷新自己的记忆内容。
在一个具体示例中,上述步骤102中确定被试人员的初始训练难度可以具体实现为:对多个测试项进行数据处理。数据处理包括取平均值、取众数、取中位数以及加权计算中的至少一项。之后根据数据处理的结果确定初始训练难度。
例如,对被试人员进行注意力测试,测试项包括选择性注意测试、持续性注意测试以及分配性注意测试。其对应的正确率分别为:90%、88%以及92%。则可以取其平均值90%作为确定初始训练难度的依据。或者,取其中位数88%作为确定初始训练难度的依据。或者,预先对各个测试项设置不同的权重值,分别为0.3、0.3以及0.4。则正确率进行加权计算的结果为:27%+26.4%+36.8%=90.2%。通过预先建立不同的正确率与不同初始训练难度之间的映射关系来根据得到的正确率确定对应的初始训练难度。例如,正确率大于等于95%时,初始训练难度为难度3,正确率小于95%但大于85%时,初始训练难度为难度2,正确率小于或等于85%时,初始训练难度为难度1。
在一些实施例中,被试人员可以每训练一定时间后就进行一次人员能力测试,从而可以更直观的了解被试人员的记忆力水平和注意力水平在训练过程中的提高。则被试人员在之前的人员能力测试中得到的人员能力测试数据即为人员能力历史测试数据。在被试人员进行人员能力测试之后,还可以结合人员能力历史测试数据共同来确定之后的人员能力训练的初始难度。具体的,可以获取被试人员的职业属性信息以及人员能力历史测试数据。职业属性信息以及人员能力历史测试数据可以根据被试人员在进行测试前输入的身份标识信息确定。职业属性信息可以包括被试人员的年龄、性别、职业类型(例如飞行员、维修员等)、从业年限以及职业任务信息(例如飞行经验、飞行训练记录等)等。之后根据职业属性信息、与职业属性信息对应的职业平均测试数据(即相同职业的多个不同被试人员的人员能力测试的平均值)以及人员能力历史测试数据中的一项或多项组合,确定被试人员的人员能力水平的第一预测值。最后,根据人员能力水平的第一预测值以及人员能力测试数据确定初始训练难度。
由于不同的职业类型对人员的能力要求是不同的,因此不同职业类型所对应的人员能力水平的评定方式不同,人员能力测试的平均值也是不同的。例如,被试人员的人员能力测试数据中的正确率为80%,当被试人员的职业类型为汽车驾驶员时,其对应的人员能力水平可以为90分(满分100分),或者将其评定为一级能力水平。而当被试人员的职业类型为飞行员时,其对应的人员能力水平可以为70分(100分满分),或者将其评定为三级能力水平。这是因为不同职业对从事该职业的人员的要求不同。对于从事一般工作的人员来说,80%的正确率是较高水准,因此将其评定为一级或90分。但80%的正确率对于飞行员来说是较差的成绩,因此将其评定为三级或70分。
而对于其他特种职业的人员,可以增加人员能力测试以及人员能力训练的维度。例如,对于宇航员,需要具备较强的平衡感,因此可以在注意力和记忆力两个维度的基础上增加平衡性维度的相关测试以及训练。对于重体力劳动者来说,还可以增加体力相关的测试以及训练。而对于汽车驾驶员等职业,由于其职业特性需要较强的持续注意力来保证行车安全,但无需较强的记忆力。因此对于汽车驾驶员可以仅进行注意力测试以及注意力训练。而对于飞行员来说,为了保证驾驶安全需要飞行员同时具备较高的注意力以及较高的记忆力,因此对于飞行员可以进行注意力和记忆力两个维度的人员能力测试以及人员能力训练。通过本发明实施例提供的方法,可以针对不同职业类型采取不同的评定标准,并可以提供不同的测试项以及训练项以避免没有必要的训练项和测试项,从而提高被试人员的体验。
在确定被人员的初始训练难度时,可以基于非人工智能的算法来实现。具体的,可以基于预设算法确定人员能力历史测试数据与职业平均测试数据之间的偏差值。最后基于偏差值确定所述被试人员的人员能力水平的第一预测值。例如,被试人员为飞行员,则可以获取多个不同飞行员的人员能力测试数据并取平均值,当被试人员的人员能力测试数据比该平均值高时,第一预测值则可以相对较高。并且,被试人员的人员能力测试数据与平均值之间的差值越大,第一预测值就越大。反之,当被试人员的人员能力测试数据比该平均值低时,第一预测值则可以相对较低。并且,被试人员的人员能力测试数据与平均值之间的差值越大,第一预测值就越小。
在一些实施例中,还可以基于神经网络模型来实现对被试人员的人员能力的预测。具体的,可以将职业属性信息以及人员能力历史测试数据输入预先训练好的目标神经网络模型,以使目标神经网络模型输出人员能力水平的第一预测值。其中,由于不同职业对注意力以及记忆力的要求各不相同,因此同一个测试结果在不同的职业领域的评定等级也是不同的。通过将被试人员的职业属性信息以及人员能力历史测试数据输入目标神经网络模型,即可通过目标神经网络模型来对被试人员在人员能力水平进行预测。目标神经网络模型可以为具体实现为卷积神经网络模型、循环神经网络模型、前馈神经网络模型、全连接神经网络模型、径向神经网络模型等形式。
在一些实施例中,上述目标神经网络模型的训练过程可以包括:获取训练数据集。训练数据集包括预先标注人员能力水平的预测值的训练数据。训练数据由职业属性信息以及人员能力历史测试数据构成。将训练数据集输入到初始模型中进行迭代训练,以使初始模型学习到不同人员能力水平的预测值所对应的训练数据的数据特征。当检测到初始模型满足预设结束条件时确定迭代训练完成,得到目标神经网络模型。其中,预设结束条件可以为模型收敛到预设程度或者模型的正确率大于或等于预设的阈值。
在一些实施例中,还可以根据被试人员每次进行飞行能力测试后得到的人员能力测试数据对目标神经网络模型进行实时训练,从而保证目标神经网络模型的准确性。具体的,可以获取被试人员的飞行能力测试数据对应的人员能力水平的人工标注值。人工标注值可以是基于预设的人员能力水平评定标准来进行人工标注后得到的。之后,将被试人员的飞行能力测试数据输入目标神经网络,得到对应的第二预测值。通过判断人工标注值与第二预测值之间的差值是否大于第一阈值来确定是否需要对目标神经网络模型进行训练。若是,则根据人工标注值、被试人员的飞行能力测试数据以及被试人员的职业属性信息构建目标训练数据集。其中,可以将人工标注值作为飞行能力测试数据的标注从而生成带标注的飞行能力测试数据。最后基于目标训练数据集对目标神经网络模型进行再训练。若人工标注值与第二预测值之间的差值小于或等于第一阈值则可以不对目标神经网络模型进行再训练。
对于人员能力训练中的注意力训练以及记忆力训练,其训练所采用的方式与人员能力测试相同。例如,对被试人员的选择性注意进行训练时可以使用Stroop任务。对被试人员的工作记忆广度进行训练时可以使用复杂广度训练任务等。
由于被试人员的注意力或记忆力在训练中是在逐步提高的,因此可以在初始训练难度的基础上,根据被试人员的训练情况对训练的难度进行自适应调整。人员能力训练与人员能力测试对应,包括对应的多个训练项。从而进一步增加训练的效果。具体的,可以获取被试人员各个训练项的训练结果数据。该训练结果数据可以包括该训练项的正确率、漏报率、平均正确反应时以及平均反应时等信息。之后检测到训练结果数据满足预设条件时,对人员能力训练的难度进行对应调整。其中,预设条件可以为:正确率大于或等于第一阈值,则对应的难度调整可以为上升一个难度。当正确率小于第一阈值但大于第二阈值时,保持难度不变。当正确率小于或等于第二阈值时,对应的难度调整可以为降低一个难度。从而实现训练难度自适应调整的技术效果。
其中,对于人员能力训练的难度调整可以根据不同的训练项采用不同的调整方式。对于注意力训练的各个训练项,可以通过改变刺激的呈现时间来调整难度。难度越高,刺激的呈现时间就越短,难度越低,刺激的呈现时间就越长。例如,对于选择性注意中的Stroop任务,训练难度越高,显示部显示每个字词的时间就越短,给被试人员反应的时间就越短。
对于记忆力训练,双n-back训练任务可以通过改变n的大小来进行难度的调整,n越大,则难度越高。对于活动记忆训练任务,则可以改变每次呈现的字母的数量,难度越高则呈现的字母数量越多。对于复杂广度训练任务,则可以改变所呈现的刺激的显示时间,显示时间越短,给予被试人员的反应时间就越短,难度就越高。
在一些实施例中,对训练过程中的难度进行适应性调整可以基于目标神经网络模型来实现。
具体的,可以按照预设时间间隔获取被试人员在人员能力训练过程中产生的训练结果数据。例如预设时间间隔可以为一个月,则每月获取一次被试人员当月内的进行人员能力训练所产生的全部训练结果数据,训练结果数据可以包括正确率、漏报率、平均正确反应时以及平均反应时等。之后将训练结果数据输入目标神经网络模型,以使神经网络模型输出对应的第三预测值。根据第三预测值确定人员能力训练的难度的调整值。例如当前训练难度为3,第三预测值所对应的训练难度为4,则调整值即为+1。之后即可根据调整值对人员能力训练的难度进行对应调整。
对应上述的人员能力训练方法,本发明实施例提供了一种人员能力训练设备,该设备可以对被试人员进行人员能力测试以及人员能力训练。图2为本发明实施例提供的一种人员能力训练设备的示意图。如图2中所示,人员训练设备主要包括显示部101、互动部102、连接部103以及处理部104。连接部如图2中所示,显示部101实现为显示屏幕的形式,互动部102实现为操作面板的形式。显示部101以及互动部102均固定在连接部103上。处理部104可以实现为中央处理器、单片机、可编程逻辑控制器等形式。处理部104中设置有计算机程序,处理部104基于该计算机程序可以实现上述的人员能力训练方法。
图3为本发明实施例提供的一种互动部的面板示意图。如图3中所示,互动部面板上包含三个互动区域。第一区域301中包括面板左右两侧对称分布的两个摇杆,第二区域302中包括多个字母按键(图3中示出的“C”“V”“B”“N”“M”五个按键)。第三区域303中则包括方向键、数字键、确认键(位于数字键区域)、删除键(位于数字键区域)、圆形反应键(图3中所示的“F”键和“J”键)以及设置在“F”键和“J”键中间的空格键。用户基于该互动部面板即可根据显示部给出的刺激进行互动,从而完成人员能力测试以及人员能力训练。
具体的,除上述实施例中舒尔特方格任务、复杂广度训练任务中的对称广度任务和连线测试需使用鼠标以外,其余测试项的测试与训练项的训练均可使用操作部面板来完成。在注意力维度测试以及注意力训练中,对于选择性注意的Stroop任务可以使用操作面板中的“F”键和“J”键来完成。而对于分配性注意项目的双手协调任务可以使用操作部面板左上角和右上角的摇杆。测对于注意广度的目标计数任务则需使用操作面板中的数字键盘。
在记忆力测试与记忆力训练中,复杂记忆广度任务中的操作广度任务和阅读广度任务可以使用操作部面板第二区域302中的字母按键(即图3中示出的“C”“V”“B”“N”“M”五个按键)。对于双n-back训练任务可以使用操作面板第二区域302中的“F”按键、“J”按键以及空格键。活动记忆任务可以使用操作面板第二区域302中字母按键(即图3中示出的“C”“V”“B”“N”“M”五个按键)或第三区域303中的数字键。
相较于传统的键盘和鼠标,本发明实施例图3中所示出的操作部面板的布局和结构更符合人因工效学,并且更符合实际应用场景,使得被试人员的代入感更强。并且统一的规格能够减少由于不同型号键盘、鼠标引起的误差,控制个体差异。
当被试人员进行一段时间的训练后,可以再次对被试人员进行训练结果测评,得到被试人员的训练结果测评数据。训练结果测评的具体实现方式可以与人员能力测试相同。则得到的训练结果测评数据可以对应包括正确率、漏报率、平均正确反应时以及平均反应时等。之后,基于训练之前进行人员能力测试时得到的人员能力测试数据、训练结果数据以及训练结果测评数据生成被试人员的训练报告。训练报告可以包括每次测试或训练的正确率、漏报率、平均正确反应时以及平均反应时等数据。训练报告中可以绘制出直观的结果趋势图以更好的呈现数据,从而可以更加直观的呈现出被试人员的记忆力或注意力在训练过程中的提高。
在一些实施例中,还可以根据训练结果测评数据从多个训练项中确定待加强项。根据待加强向生成被试人员的定制化训练方案。例如,根据训练结果测评数据确定被试人员注意力维度中的选择性注意相对较低,则可以生成对应的定制化训练方案,定制化训练方案中可以包含经典Stroop任务或其它可以提高选择性注意的训练方案。
在一个具体示例中,本发明实施例提供的人员能力训练方法的实现过程具体为:首先配置被试人员需要完成的测试任务(注意力测试以及记忆力测试)以及需要统计的指标(例如正确率、漏报率、平均正确反应时以及平均反应时等)。被试人员进行个人信息(例如姓名、性别、年龄、职业、工号、手机号等)的填写后即可完成登记并开始测试(即首测)。用户需要依次进行注意力测试中的选择性注意测试、持续性注意测试、分配性注意测试、注意广度测试以及注意转移测试。以及依次进行记忆力测试中的工作记忆广度测试、抑制测试、刷新测试以及转换测试。被试人员完成全部测试后,即可得到测试结果。之后计算选择性注意测试、持续性注意测试、分配性注意测试、注意广度测试以及注意转移测试的正确率的平均值,用于确定后续注意力训练的初始难度。计算工作记忆广度测试、抑制测试、刷新测试以及转换测试的正确率的平均值,用于确定记忆力训练的初始难度。
具体的,以双n-back训练任务为例,该任务包含言语成分和视觉-空间成分。参与者需同时记忆视觉呈现的方块位置和听觉呈现的字母信息。任务的参数配置和统计指标如下:
(1)难度水平:从1开始,之后根据被试人员的表现进行调整。影响难度的指标主要为被试人员反应的正确率(%)。方块位置和字母正确率达到75%或更高则上升一级难度水平;正确率在50%到75%之间保持原有难度水平。正确率低于50%则下降一级难度水平。
(2)刺激一致性比例:2-1,范围1-20,1-20。
(3)刺激材料:目标的呈现样式,测试中为视觉呈现的方块图形和听觉呈现的字母信息。刺激材料形式可以在视觉和听觉范围内进行改变,以适应其他领域人群完成训练。
(4)刺激大小:120,范围20-800。
(5)刺激颜色:目标颜色,默认蓝色,可选择更换为其他颜色。
(6)准备时间:0,范围0-20。
(7)一致按键:操作部面板的“F”键,可进行修改。
(8)不一致按键:操作部面板的“J”键,可进行修改。
(9)最大反应时(s):3,范围1-200。
(10)统计指标:正确率(%),漏报率(%),平均正确反应时(s),平均反应时(s)。
之后,被试人员依次进行双1-back训练任务、双2-back训练任务、双3-back训练任务……。其中,当检测到被试人员的正确率低于一个预设阈值时,确定当前的训练任务不通过。例如,预设阈值设定为75%。被试人员对应的双1-back训练任务的正确率为95%,双2-back训练任务的正确率为85%,双3-back训练任务的正确率为70%。由于双1-back训练任务以及双1-back训练任务的正确率都高于预设阈值75%,因此被试人员的双1-back训练任务以及双1-back训练任务成功通过。但双3-back训练任务的正确率低于预设阈值,因此被试人员的双3-back训练任务为不通过,此时可以结束双n-back训练任务,执行下一个测试项。
当被试人员完成全部的注意力测试和记忆力测试后,即可根据得到的注意力测试正确率的平均值来确定注意力训练的初始难度。根据记忆力测试正确率的平均值确定记忆力训练的初始难度。之后基于得到的初始难度对被试人员进行注意力训练和记忆力训练,并在训练过程中根据用户当前的正确率对训练难度进行自适应调整。
当用户完成指定时长的训练后,对被试人员进行后测,即再分别进行一次注意力测试和记忆力测试。并根据后测的结果、首次人员能力测试的结果以及训练过程中产生的数据生成一份综合性的训练报告,包括首测表现、训练表现以及后测表现,数据可以以趋势图,表格等方式进行具体呈现。
对应上述的人员能力训练方法,本发明实施例提供了一种人员能力训练系统。图4为本发明实施例提供的一种人员能力训练系统的结构示意图。如图4中所示,该系统包括:测试模块401、处理模块402以及训练模块403。
测试模块401,用于对被试人员进行人员能力测试,得到对应的人员能力测试数据。人员能力测试包括注意力测试和/或记忆力测试。人员能力测试包括多个测试项。
处理模块402,用于根据人员能力测试数据确定被试人员的初始训练难度。
训练模块403,用于根据初始训练难度对被试人员进行人员能力训练。人员能力训练包括注意力训练和/或记忆力训练。
在一些实施例中,人员能力训练系统还包括互动模块。具体的,互动模块左右两侧对称配置有摇杆。互动模块中部设置有多个互动按键。摇杆和/或多个互动按键用于根据被试人员的互动操作生成对应的互动反馈数据,测试模块基于互动反馈数据得到人员能力测试数据。
对应上述的人员能力训练方法,本发明实施例提供了一种电子设备。图5为本发明实施例提供的一种电子设备的结构示意图,如图5所示,上述电子设备可以包括至少一个处理器,以及与上述处理器通信连接的至少一个存储器,其中:存储器存储有可被处理器执行的程序指令,上述处理器调用上述程序指令能够执行本说明书图1至图3所示实施例提供的人员能力训练方法。
如图5所示,电子设备以通用计算设备的形式表现。电子设备的组件可以包括但不限于:一个或者多个处理器510、通信接口520和存储器530,连接不同系统组件(包括存储器530、通信接口520和处理器510)的通信总线540。
通信总线540表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
电子设备典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器530可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)和/或高速缓存存储器。电子设备可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。存储器530可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本说明书各实施例的功能。
具有一组(至少一个)程序模块的程序/实用工具,可以存储在存储器530中,这样的程序模块包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块通常执行本说明书所描述的实施例中的功能和/或方法。
处理器510通过运行存储在存储器530中的程序,从而执行各种功能应用以及数据处理,例如实现本说明书图1至图3所示实施例提供的人员能力训练方法。
本说明书实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行本说明书图1至图3所示实施例提供的人员能力训练方法。
上述计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ReadOnly Memory;以下简称:ROM)、可擦式可编程只读存储器(Erasable Programmable ReadOnly Memory;以下简称:EPROM)或闪存、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本说明书的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本说明书的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本说明书的实施例所属技术领域的技术人员所理解。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
需要说明的是,本说明书实施例中所涉及的设备可以包括但不限于个人计算机(Personal Computer;以下简称:PC)、个人数字助理(Personal Digital Assistant;以下简称:PDA)、无线手持设备、平板电脑(Tablet Computer)、手机、MP3显示器、MP4显示器等。
在本说明书所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,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,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。
另外,在本说明书各个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。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机装置(可以是个人计算机,连接器,或者网络装置等)或处理器(Processor)执行本说明书各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory;以下简称:ROM)、随机存取存储器(Random Access Memory;以下简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本说明书的较佳实施例而已,并不用以限制本说明书,凡在本说明书的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书保护的范围之内。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其,对于装置实施例和终端实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例中的说明即可。
Claims (16)
1.一种人员能力训练方法,其特征在于,应用于人员能力训练设备,包括:
对被试人员进行人员能力测试,得到对应的人员能力测试数据;所述人员能力测试包括注意力测试和/或记忆力测试;
根据所述人员能力测试数据确定所述被试人员的初始训练难度;
根据所述初始训练难度对所述被试人员进行人员能力训练;所述人员能力训练包括注意力训练和/或记忆力训练。
2.根据权利要求1所述的方法,其特征在于,所述人员能力测试包括所述注意力测试和/或记忆力测试;所述人员能力训练设备设置有互动部面板;
所述注意力测试包括以下测试项中的一项或多项组合:选择性注意测试、持续性注意测试、分配性注意测试、注意广度测试以及注意转移测试;
所述记忆力测试包括以下测试项中的一项或多项组合:工作记忆广度测试、抑制测试、刷新测试以及转换测试;
所述人员能力测试数据包括多个测试项所对应的测试结果数据,所述测试结果数据至少包括以下信息中的一项或多项组合:正确率、漏报率、平均正确反应时以及平均反应时;
其中,所述测试结果数据是根据所述被试人员对设置在所述互动部面板左右两侧对称配置的摇杆和/或设置在所述互动部面板中部的多个互动按键的互动操作得到的。
3.根据权利要求2所述的方法,其特征在于,所述根据所述人员能力测试数据确定所述被试人员的初始训练难度,包括:
对所述多个测试项对应的所述测试结果数据进行数据处理;所述数据处理包括取平均值、取众数、取中位数以及加权计算中的至少一项;
根据所述数据处理的结果确定所述初始训练难度。
4.根据权利要求1所述的方法,其特征在于,根据所述人员能力测试数据确定所述被试人员的初始训练难度,包括:
获取所述被试人员的职业属性信息以及人员能力历史测试数据;
根据所述职业属性信息、与所述职业属性信息对应的职业平均测试数据以及人员能力历史测试数据中的一项或多项组合,确定所述被试人员的人员能力水平的第一预测值;
根据所述人员能力水平的第一预测值以及所述人员能力测试数据确定所述初始训练难度;
所述职业属性信息包括以下信息的一种或多种组合:
年龄、性别、职业类型、从业年限以及职业任务信息。
5.根据权利要求4所述的方法,其特征在于,所述被试人员的人员能力水平的第一预测值根据所述职业平均测试数据以及人员能力历史测试数据确定,具体包括:
确定所述人员能力历史测试数据与所述职业平均测试数据之间的偏差值;
基于所述偏差值确定所述被试人员的人员能力水平的第一预测值。
6.根据权利要求4所述的方法,其特征在于,所述被试人员的人员能力水平的第一预测值根据所述职业属性信息以及人员能力历史测试数据确定,具体包括:
将所述职业属性信息以及所述人员能力历史测试数据输入预先训练好的目标神经网络模型,以使所述目标神经网络模型输出所述人员能力水平的第一预测值。
7.根据权利要求6所述的方法,其特征在于,所述目标神经网络模型的训练过程包括:
获取训练数据集;所述训练数据集包括预先标注人员能力水平的预测值的训练数据;所述训练数据由职业属性信息以及人员能力历史测试数据构成;
将所述训练数据集输入到初始模型中进行迭代训练,以使所述初始模型学习到不同人员能力水平的预测值所对应的训练数据的数据特征;
当检测到所述初始模型满足预设结束条件时确定迭代训练完成,得到所述目标神经网络模型。
8.根据权利要求6所述的方法,其特征在于,所述方法还包括:
获取所述被试人员的人员能力测试数据对应的人员能力水平的人工标注值;
将所述被试人员的人员能力测试数据输入所述目标神经网络,得到对应的第二预测值;
判断所述人工标注值与所述第二预测值之间的差值是否大于第一阈值;
若是,则根据所述人工标注值、所述被试人员的人员能力测试数据以及所述被试人员的职业属性信息构建目标训练数据集;
基于所述目标训练数据集对所述目标神经网络模型进行再训练。
9.根据权利要求6所述的方法,其特征在于,所述人员能力训练包括多个训练项,所述根据所述初始训练难度对所述被试人员进行人员能力训练,包括:
获取各个所述训练项的训练结果数据;
当检测到所述训练结果数据满足预设条件时,对所述人员能力训练的难度进行对应调整。
10.根据权利要求9所述的方法,其特征在于,对所述人员能力训练的难度进行对应调整,包括:
按照预设时间间隔获取所述被试人员在人员能力训练过程中产生的所述训练结果数据;
将所述训练结果数据输入所述目标神经网络模型,以使所述目标神经网络模型输出对应的第三预测值;
根据所述第三预测值确定所述人员能力训练的难度的调整值;
根据所述调整值对所述人员能力训练的难度进行对应调整。
11.根据权利要求10所述的方法,其特征在于,所述根据所述初始训练难度对所述被试人员进行人员能力训练之后,所述方法还包括:
对所述被试人员进行训练结果测评,得到所述被试人员的训练结果测评数据;
基于所述人员能力测试数据、所述训练结果数据以及所述训练结果测评数据生成所述被试人员的训练报告。
12.根据权利要求11所述的方法,其特征在于,所述根据所述初始训练难度对所述被试人员进行人员能力训练之后,所述方法还包括:
根据所述训练结果测评数据从所述多个训练项中确定待加强训练项;
根据所述待加强训练项生成所述被试人员的定制化训练方案。
13.一种人员能力训练系统,其特征在于,包括:
测试模块,用于对被试人员进行人员能力测试,得到对应的人员能力测试数据;所述人员能力测试包括注意力测试和/或记忆力测试;
处理模块,用于根据所述人员能力测试数据确定所述被试人员的初始训练难度;
训练模块,用于根据所述初始训练难度对所述被试人员进行人员能力训练;所述人员能力训练包括注意力训练和/或记忆力训练。
14.根据权利要求13所述人员能力训练系统,其特征在于,还包括:互动模块,
所述互动模块左右两侧对称配置有摇杆;
所述互动模块中部设置有多个互动按键;
所述摇杆和/或所述多个互动按键用于根据所述被试人员的互动操作生成对应的互动反馈数据,所述测试模块基于所述互动反馈数据得到所述人员能力测试数据。
15.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至12任一项所述的方法。
16.一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计算机指令,所述计算机指令使所述计算机执行如权利要求1至12任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311715934.9A CN117789546A (zh) | 2023-12-13 | 2023-12-13 | 人员能力训练方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311715934.9A CN117789546A (zh) | 2023-12-13 | 2023-12-13 | 人员能力训练方法、系统、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117789546A true CN117789546A (zh) | 2024-03-29 |
Family
ID=90390049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311715934.9A Pending CN117789546A (zh) | 2023-12-13 | 2023-12-13 | 人员能力训练方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117789546A (zh) |
-
2023
- 2023-12-13 CN CN202311715934.9A patent/CN117789546A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2891454B1 (en) | Concentration ratio measurement device and program | |
Sarcar et al. | Ability-based optimization of touchscreen interactions | |
Paramitha et al. | The evaluation of web based academic progress information system using heuristic evaluation and user experience questionnaire (UEQ) | |
US10019690B2 (en) | Intellectual-productivity analysis apparatus and program | |
US20030032866A1 (en) | Neurocognitive assessment apparatus and method | |
US20100145219A1 (en) | Stations for performing physiological stress tests | |
JP2020064691A (ja) | 診断システム、診断方法、サーバ装置、及びプログラム | |
Chesney et al. | How to estimate how well people estimate: Evaluating measures of individual differences in the approximate number system | |
Ya-feng et al. | Research on visual representation of icon colour in eye-controlled systems | |
Kim et al. | Technostress causes cognitive overload in high-stress people: Eye tracking analysis in a virtual kiosk test | |
Mochurad et al. | Simulation of a Human Operator's Response to Stressors under Production Conditions. | |
Vizer et al. | Efficacy of personalized models in discriminating high cognitive demand conditions using text-based interactions | |
JP2017224256A (ja) | 診断システム、診断方法、サーバ装置、及びプログラム | |
Wühr et al. | Handedness and effector strength modulate a compatibility effect between stimulus size and response position with manual and vocal responses. | |
Galant-Gołębiewska et al. | Analysis of the impact of task difficulty on the operatorʾs workload level | |
CN117789546A (zh) | 人员能力训练方法、系统、电子设备及存储介质 | |
Arif | Statistical Grounding | |
Ruzic et al. | Universal design mobile interface guidelines for mobile health and wellness apps for an aging population including people aging with disabilities | |
Langenfeld et al. | Integrating multiple sources of validity evidence for an assessment‐based cognitive model | |
Liu et al. | Assessing touchscreen operations under vibration: effects of vibrational environments, button size, and button spacing on digit-and letter-entry task performance | |
Cao | Queueing Network Modeling of Human Performance in Complex Cognitive Multi-task Scenarios. | |
Johnson et al. | Human factors engineering in computerized mental health care delivery | |
Ergun | Monitoring physiological reactions of construction workers in virtual environment: A feasibility study using affective sensing technology | |
AU9722101A (en) | Method and system for assisting a professional person to advise a client | |
Wang et al. | Assessing user mental workload for smartphone applications with built-in sensors |
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 |