CN117950974A - 一种基于区块链的测评方法和系统 - Google Patents
一种基于区块链的测评方法和系统 Download PDFInfo
- Publication number
- CN117950974A CN117950974A CN202410357748.0A CN202410357748A CN117950974A CN 117950974 A CN117950974 A CN 117950974A CN 202410357748 A CN202410357748 A CN 202410357748A CN 117950974 A CN117950974 A CN 117950974A
- Authority
- CN
- China
- Prior art keywords
- sample
- evaluation
- tested
- value
- test
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 362
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000012795 verification Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims description 120
- 230000009471 action Effects 0.000 claims description 40
- 238000000034 method Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 39
- 230000008569 process Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 230000008451 emotion Effects 0.000 description 3
- 230000004630 mental health Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009323 psychological health Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及数据处理技术领域，具体公开了一种基于区块链的测评方法和系统，获取测评行为状态数据，根据测评行为状态数据获取受试样本的测评行为值，根据受试样本的测评行为值，获取当前周期内受试样本的测评行为值组，基于测评行为值组对受试样本状态进行识别；基于待效验样本生成样本效验信号；基于正常样本生成样本正常信号；基于样本正常信号，获取当前周期内受试样本在周期内的测评行为有效值，并根据受试样本在周期内的测评行为有效值对受试样本进行整理，完成对受试样本测评行为的划分；使所有正常样本在下一周期测评时能够合理分配时间，能够防止所有属于测评时间长样品集内的样本在同一批次内进行测评而造成测评时间混乱的问题。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种基于区块链的测评方法和系统。
背景技术
区块链是一种基于去中心化、不可篡改的数据块组成的分布式数据库。每个数据块都包含了一定的信息，并且通过密码学技术进行加密，确保数据的安全和透明性。
教育工作人员的心理状态在教育工作中具有极其重要的意义，他们的心理状态不仅直接关系到个人的工作成效和幸福感，更对学生的心理发展、教育质量以及整个教育系统的稳定与和谐产生深远影响。
一个心理健康、情绪稳定的教育工作人员，能够为学生创造一个和谐、安全的学习环境，促进学生的身心健康发展。而如果教育工作人员情绪不稳定、心理压力大，可能会将这种负面情绪传递给学生，影响学生的心理健康和学习状态。
基于此，对教育工作人员的心理状态进行测评是一项非常重要的工作，而在实际的测评过程中，由于测评人员多且需要多次测评，如果对于测评样本缺乏系统性的识别及在测评周期内合理规划，导致测评工作开展不顺畅，且耽误测评人员和受试者的时间精力，具有较大的局限性。
发明内容
本发明的目的在于提供一种基于区块链的测评方法和系统，由于教育工作人员的心理状态测评的数据属于个人隐私，需要结合区块链技术，实现安全性的保障，对数据进行加密，然后成为一个具有安全意义的信息，具体通过对受试样本的行为状态数据进行获取，即通过对受试样本的测评时间数据和测评文件数据处理得到受试样本的测评行为值，受试样本测评时间数据的时间测评值越大时，则说明受试样本的测评时间越长，测评时间越长，受试样本测评文件数据的文件存储值越大时，则说明受试样本的测评文件内容或次数越多，测评文件越大，测评时间越长和测评文件越大则得到的测评行为值越大，即通过测评行为值对受试样本测试时长和测试难度进行表征，进而实现对受试样本测评过程中的流程性和所耗费的时间进行识别。
本发明的目的可以通过以下技术方案实现：
一种基于区块链的测评方法，包括以下步骤：
步骤一：获取测评行为状态数据，根据测评行为状态数据获取受试样本的测评行为值；
步骤二：根据受试样本的测评行为值，获取当前周期内受试样本的测评行为值组，基于测评行为值组对受试样本状态进行识别；
受试样本状态包括待效验样本和正常样本；
其中，基于待效验样本生成样本效验信号；
基于正常样本生成样本正常信号；
步骤三：基于样本正常信号，获取当前周期内受试样本在周期内的测评行为有效值，并根据受试样本在周期内的测评行为有效值对受试样本进行整理，完成对受试样本测评行为的划分；
步骤四：基于样本效验信号，获取待效验样本所对应测评行为值组，通过对待效验样本测评行为值组进行方差处理，待效验样本的测评行为方差值，对待效验样本进行二次效验。
作为本发明进一步的方案：步骤一中，行为状态数据包括测评时间数据和测评文件数据；
对受试样本测评时间数据进行处理得到时间测评值；
对受试样本测评文件数据进行处理得到文件存储值。
作为本发明进一步的方案：将受试样本测评时间数据的时间测评值标记为Ctz；
将受试样本测评文件数据的文件存储值标记为Cwz；
即通过公式计算得到受试样本的测评行为值Cxw，其中，/>为预设修正系数。
作为本发明进一步的方案：获取受试样本单次测评从开始测评到结束测评的时间差，记为测评实际时间；
将受试样本测评实际时间与测评标准时间进行比值计算，得到受试样本测评时间数据的时间测评值。
作为本发明进一步的方案：获取受试样本单次测评的测评文件的大小，记为测评文件的存储值；
将受试样本测评文件的存储值与测评标准存储值进行比值计算，得到受试样本测评文件数据的文件存储值。
作为本发明进一步的方案：获取当前周期内受试样本的测评行为值组，将当前周期内受试样本的测评行为值组内的测评行为值记为Ci，i=1，……，n；
遍历所有受试样本在当前测评时间内测评行为值的最大测评行为值和最小测评行为值；
将测评行为值组内最大测评行为值标记为C1，将最小测评行为值标记为C2，将受试样本的测评行为值阈值记为Cy；
若测评行为值组内最大测评行为值C1≤测评行为值阈值Cy或测评行为值组内最小测评行为值C2≥测评行为值阈值Cy时，则将当前周期内的受试样本记为待效验样本，得到样本效验信号；
若测评行为值组内最大测评行为值C1＞测评行为值阈值Cy＞测评行为值组内最小测评行为值C2时，则将当前周期内的受试样本记为正常样本，得到样本正常信号。
作为本发明进一步的方案：获取当前周期内受试样本的测评行为值组的测评行为有效值，并标记为Cyx；
预设测评行为有效值阈值的第一极限值Cyx1，测评行为有效值阈值的第二极限值Cyx2，其中，Cyx1<Cyx2；
若Cyx＜Cyx1时，则表示受试样本测评时间短，得到测试时间短信号，将所有测试时间短信号所对应的受试样本进行整理，得到测评时间短样品集；
若Cyx1≤Cyx＜Cyx2时，则表示受试样本测评时间适中，得到测试时间适中信号，将所有测试时间适中信号所对应的受试样本进行整理，得到测评时间适中样品集；
若Cyx≥Cyx2时，则表示受试样本测评时间长，得到测试时间长信号，将所有测试时间长信号所对应的受试样本进行整理，得到测评时间长样品集。
作为本发明进一步的方案：获取测评时间短样品集内的受试样本数量，并标记为R1；
获取测评时间适中样品集内的受试样本数量，并标记为R2；
获取测评时间长样品集内的受试样本数量，并标记为R3；
将所有位于测评时间短样品集、测评时间适中样品集和测评时间长样品集内的受试样本分成m个待测试集，待测试集为当前周期后下一个周期测量集；
则每个待测试集的受试样本数量为R1/m+R2/m+R3/m。
作为本发明进一步的方案：测评行为值组的测评行为有效值为测评行为值组的测评行为值均值。
作为本发明另一种实施方式：一种基于区块链的测评系统，包括：
样本处理模块，样本处理模块用于获取测评行为状态数据，根据测评行为状态数据获取受试样本的测评行为值，并将测评行为值传送至云管控平台；
决策识别模块，决策识别模块用于接收云管控平台的测评行为值，根据受试样本的测评行为值，获取当前周期内受试样本的测评行为值组，基于测评行为值组对受试样本状态进行识别；
受试样本状态包括待效验样本和正常样本；
其中，基于待效验样本生成样本效验信号；
基于正常样本生成样本正常信号；
将样本效验信号与样本正常信号发送至云管控平台；
样本分类模块，样本分类模块用于接收云管控平台传送的样本正常信号：基于样本正常信号，获取当前周期内受试样本在周期内的测评行为有效值，并根据受试样本在周期内的测评行为有效值对受试样本进行整理，完成对受试样本测评行为的划分；
样本复验模块，样本复验模块用于接收云管控平台传送的样本效验信号，基于样本效验信号，获取待效验样本所对应测评行为值组，通过对待效验样本测评行为值组进行方差处理，待效验样本的测评行为方差值，对待效验样本进行二次效验。
本发明的有益效果：
（1）本发明通过对受试样本的行为状态数据进行获取，即通过对受试样本的测评时间数据和测评文件数据处理得到受试样本的测评行为值，受试样本测评时间数据的时间测评值越大时，则说明受试样本的测评时间越长，测评时间越长，受试样本测评文件数据的文件存储值越大时，则说明受试样本的测评文件内容或次数越多，测评文件越大，测评时间越长和测评文件越大则得到的测评行为值越大，即通过测评行为值对受试样本测试时长和测试难度进行表征，进而实现对受试样本测评过程中的流程性和所耗费的时间进行识别；
（2）本发明通过获取当前周期内受试样本的测评行为值组，通过对受试样本的测评行为值组内的所有测评行为值进行识别，对当前周期内的受试样本分为待效验样本和正常样本，从而实现对受试样本的划分；基于正常样本，获取当前周期内受试样本的测评行为值组的测评行为有效值，通过对测评行为有效值处理，将所有正常样本划分为三个数据集，即测评时间短样品集、测评时间适中样品集和测评时间长样品集，再分别通过对每个测评时间短样品集、测评时间适中样品集和测评时间长样品集内的样本数量进行整理分组，使所有正常样本在下一周期测评时能够合理分配时间，能够防止所有属于测评时间长样品集内的样本在同一批次内进行测评而造成测评时间混乱的问题，实现每个批次内受试样本测评工作的有序进行。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明实施例一种基于区块链的测评方法的流程图；
图2是本发明实施例一种基于区块链的测评系统的程序框图。
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，都属于本发明保护的范围。
实施例1
请参阅图1所示，本发明为一种基于区块链的测评方法，包括以下步骤：
步骤一：获取测评行为状态数据，根据测评行为状态数据获取受试样本的测评行为值；
步骤二：根据受试样本的测评行为值，获取当前周期内受试样本的测评行为值组，基于测评行为值组对受试样本状态进行识别；
受试样本状态包括待效验样本和正常样本；
其中，基于待效验样本生成样本效验信号；
基于正常样本生成样本正常信号；
步骤三：基于样本正常信号，获取当前周期内受试样本在周期内的测评行为有效值，并根据受试样本在周期内的测评行为有效值对受试样本进行整理，完成对受试样本测评行为的划分；
步骤四：基于样本效验信号，获取待效验样本所对应测评行为值组，通过对待效验样本测评行为值组进行方差处理，待效验样本的测评行为方差值，对待效验样本进行二次效验。
行为状态数据包括测评时间数据和测评文件数据；
其中，测评时间数据的获取过程为：
获取受试样本单次测评从开始测评到结束测评的时间差，记为测评实际时间；
将受试样本测评实际时间与测评标准时间进行比值计算，得到受试样本测评时间数据的时间测评值；
其中，测评标准时间为一个预设经验值，由测试管理人员预先设定。
其中，测评文件数据的获取过程为：
获取受试样本单次测评的测评文件的大小，记为测评文件的存储值；
将受试样本测评文件的存储值与测评标准存储值进行比值计算，得到受试样本测评文件数据的文件存储值；
其中，测评文件数据的文件存储值为受试样本单次测评文件的值；
其中，测评标准存储值为一个预设经验值，由测试管理人员预先设定。
将受试样本测评时间数据的时间测评值标记为Ctz；
将受试样本测评文件数据的文件存储值标记为Cwz；
即通过公式计算得到受试样本的测评行为值Cxw，其中，/>为预设修正系数；
通过上述获取受试样本的测评行为值的公式可知，当受试样本测评时间数据的时间测评值Ctz越大时，则说明受试样本的测评时间越长，测评时间越长，则说明受试样本的测评结果越差，需要更多的测评时间来进行测评，得到的测评行为值越大；
通过上述获取受试样本的测评行为值的公式可知，当受试样本测评文件数据的文件存储值Cwz越大时，则说明受试样本的测评文件内容或次数越多，测评文件越大，则说明受试样本的测评结果越差，需要更多的测评文件来进行测评，得到的测评行为值越大。
获取当前周期内受试样本的测评行为值组，其中，受试样本的测评行为值组内的测评行为值个数不低于五个，将当前周期内受试样本的测评行为值组内的测评行为值记为Ci，i=1，……，n；
周期包括但不限于10天、20天或1个月；
遍历所有受试样本在当前测评时间内测评行为值的最大测评行为值和最小测评行为值；
将测评行为值组内最大测评行为值标记为C1，将最小测评行为值标记为C2，将受试样本的测评行为值阈值记为Cy；
若测评行为值组内最大测评行为值C1≤测评行为值阈值Cy或测评行为值组内最小测评行为值C2≥测评行为值阈值Cy时，则将当前周期内的受试样本记为待效验样本，得到样本效验信号；
若测评行为值组内最大测评行为值C1＞测评行为值阈值Cy＞测评行为值组内最小测评行为值C2时，则将当前周期内的受试样本记为正常样本，得到样本正常信号；
基于样本正常信号：
获取当前周期内受试样本的测评行为值组的测评行为值均值，即得到受试样本周期内的测评行为有效值，并标记为Cyx；
预设测评行为有效值阈值的第一极限值Cyx1，测评行为有效值阈值的第二极限值Cyx2，其中，Cyx1<Cyx2；
若Cyx＜Cyx1时，则表示受试样本测评时间短，得到测试时间短信号，将所有测试时间短信号所对应的受试样本进行整理，得到测评时间短样品集；
若Cyx1≤Cyx＜Cyx2时，则表示受试样本测评时间适中，得到测试时间适中信号，将所有测试时间适中信号所对应的受试样本进行整理，得到测评时间适中样品集；
若Cyx≥Cyx2时，则表示受试样本测评时间长，得到测试时间长信号，将所有测试时间长信号所对应的受试样本进行整理，得到测评时间长样品集。
获取测评时间短样品集内的受试样本数量，并标记为R1；
获取测评时间适中样品集内的受试样本数量，并标记为R2；
获取测评时间长样品集内的受试样本数量，并标记为R3；
将所有位于测评时间短样品集、测评时间适中样品集和测评时间长样品集内的受试样本分成m个待测试集，待测试集为当前周期后下一个周期测量集；
且每个待测试集的受试样本数量为R1/m+R2/m+R3/m；
通过对m个待测试集内受试样本数量的计算，使得对所有受试样本测评时间的合理规划，防止受试样本因测评时间过多堆积而造成测评工作不能有序进行；
其中，在待测试集受试样本数量的确定过程中，对于测评时间短样品集内的受试样本数量、测评时间适中样品集内的受试样本数量或测评时间长样品集内的受试样本数量均取整数值。
基于样本效验信号：
获取待效验样本所对应测评行为值组，通过对待效验样本测评行为值组进行方差处理，得到待效验样本的测评行为方差值；
若待效验样本的测评行为方差值≤待效验样本的测评行为方差值阈值时，则表示该待效验样本的测评行为值波动小，即待效验样本的测评行为值正常，生成测评正常信号；
基于测评正常信号，将测评正常信号所对应的待效验样本记为正常受试样本，获取正常受试样本的测评行为有效值，根据正常受试样本的测评行为有效值将该待效验样本进行划分；
划分到测评时间短样品集、测评时间适中样品集或测评时间长样品集；
若待效验样本的测评行为方差值＞待效验样本的测评行为方差值阈值时，则表示该待效验样本的测评行为值波动大，对待效验样本进一步识别：
具体的：
若待效验样本的测评行为值呈线性变化，即按测评时间先后顺序连续增大或连续减小时，将待效验样本记为失真样本；
若待效验样本的测评行为值呈非线性变化，即按测评时间先后顺序呈波段变化时，去除待效验样本的测评行为值中的最大值和最小值，将剩余测评行为值进行求和取均值，即得到待效验样本的测评行为有效值，根据待效验样本的测评行为有效值将该待效验样本进行划分；
划分到测评时间短样品集、测评时间适中样品集或测评时间长样品集。
实施例2
请参阅图2所示，本发明为一种基于区块链的测评系统，包括样本处理模块、决策识别模块、样本分类模块、样本复验模块和云管控平台；
样本处理模块、决策识别模块、样本分类模块和样本复验模块与云管控平台电性连接；
样本处理模块用于获取测评行为状态数据，根据测评行为状态数据获取受试样本的测评行为值，并将测评行为值传送至云管控平台；
决策识别模块接收云管控平台的测评行为值，根据受试样本的测评行为值，获取当前周期内受试样本的测评行为值组，基于测评行为值组对受试样本状态进行识别；
受试样本状态包括待效验样本和正常样本；
其中，基于待效验样本生成样本效验信号；
基于正常样本生成样本正常信号；
将样本效验信号与样本正常信号发送至云管控平台；
样本分类模块接收云管控平台传送的样本正常信号：基于样本正常信号，获取当前周期内受试样本在周期内的测评行为有效值，并根据受试样本在周期内的测评行为有效值对受试样本进行整理，完成对受试样本测评行为的划分；
样本复验模块接收云管控平台传送的样本效验信号，基于样本效验信号，获取待效验样本所对应测评行为值组，通过对待效验样本测评行为值组进行方差处理，待效验样本的测评行为方差值，对待效验样本进行二次效验。
在一个具体的实施例中，受试样本测评的是教育工作人员的心理健康数据；
本发明的核心点之一：在于通过对受试样本的行为状态数据进行获取，即通过对受试样本的测评时间数据和测评文件数据处理得到受试样本的测评行为值，受试样本测评时间数据的时间测评值越大时，则说明受试样本的测评时间越长，测评时间越长，受试样本测评文件数据的文件存储值越大时，则说明受试样本的测评文件内容或次数越多，测评文件越大，测评时间越长和测评文件越大则得到的测评行为值越大，即通过测评行为值对受试样本测试时长和测试难度进行表征，进而实现对受试样本测评过程中的流程性和所耗费的时间进行识别；
本发明的核心点之一：在于通过获取当前周期内受试样本的测评行为值组，通过对受试样本的测评行为值组内的所有测评行为值进行识别，对当前周期内的受试样本分为待效验样本和正常样本，从而实现对受试样本的划分；
本发明的核心点之一：在于基于正常样本，获取当前周期内受试样本的测评行为值组的测评行为有效值，通过对测评行为有效值处理，将所有正常样本划分为三个数据集，即测评时间短样品集、测评时间适中样品集和测评时间长样品集，再分别通过对每个测评时间短样品集、测评时间适中样品集和测评时间长样品集内的样本数量进行整理分组，使所有正常样本在下一周期测评时能够合理分配时间，能够防止所有属于测评时间长样品集内的样本在同一批次内进行测评而造成测评时间混乱的问题，实现每个批次内受试样本测评工作的有序进行；
本发明的核心点之一：在于基于待效验信号，对待效验样本测评行为值组进行方差处理，得到待效验样本的测评行为方差值，通过对待效验样本的测评行为方差值识别，将待效验样本是否正常进行识别，对于正常受试样本，获取正常受试样本的测评行为有效值，根据正常受试样本的测评行为有效值将该待效验样本进行划分，对于异常受试样本，则记为失真样本。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。
Claims (10)
1.一种基于区块链的测评方法，其特征在于，包括以下步骤:
步骤一：获取测评行为状态数据，根据测评行为状态数据获取受试样本的测评行为值；
步骤二：根据受试样本的测评行为值，获取当前周期内受试样本的测评行为值组，基于测评行为值组对受试样本状态进行识别；
受试样本状态包括待效验样本和正常样本；
其中，基于待效验样本生成样本效验信号；
基于正常样本生成样本正常信号；
步骤三：基于样本正常信号，获取当前周期内受试样本在周期内的测评行为有效值，并根据受试样本在周期内的测评行为有效值对受试样本进行整理，完成对受试样本测评行为的划分；
步骤四：基于样本效验信号，获取待效验样本所对应测评行为值组，通过对待效验样本测评行为值组进行方差处理，待效验样本的测评行为方差值，对待效验样本进行二次效验。
2.根据权利要求1所述的一种基于区块链的测评方法，其特征在于，步骤一中，行为状态数据包括测评时间数据和测评文件数据；
对受试样本测评时间数据进行处理得到时间测评值；
对受试样本测评文件数据进行处理得到文件存储值。
3.根据权利要求2所述的一种基于区块链的测评方法，其特征在于，将受试样本测评时间数据的时间测评值标记为Ctz；
将受试样本测评文件数据的文件存储值标记为Cwz；
即通过公式 计算得到受试样本的测评行为值Cxw，其中，/>为预设修正系数。
4.根据权利要求3所述的一种基于区块链的测评方法，其特征在于，获取受试样本单次测评从开始测评到结束测评的时间差，记为测评实际时间；
将受试样本测评实际时间与测评标准时间进行比值计算，得到受试样本测评时间数据的时间测评值。
5.根据权利要求3所述的一种基于区块链的测评方法，其特征在于，获取受试样本单次测评的测评文件的大小，记为测评文件的存储值；
将受试样本测评文件的存储值与测评标准存储值进行比值计算，得到受试样本测评文件数据的文件存储值。
6.根据权利要求3所述的一种基于区块链的测评方法，其特征在于，
获取当前周期内受试样本的测评行为值组，将当前周期内受试样本的测评行为值组内的测评行为值记为Ci，i=1，……，n；
遍历所有受试样本在当前测评时间内测评行为值的最大测评行为值和最小测评行为值；
将测评行为值组内最大测评行为值标记为C1，将最小测评行为值标记为C2，将受试样本的测评行为值阈值记为Cy；
若测评行为值组内最大测评行为值C1≤测评行为值阈值Cy或测评行为值组内最小测评行为值C2≥测评行为值阈值Cy时，则将当前周期内的受试样本记为待效验样本，得到样本效验信号；
若测评行为值组内最大测评行为值C1＞测评行为值阈值Cy＞测评行为值组内最小测评行为值C2时，则将当前周期内的受试样本记为正常样本，得到样本正常信号。
7.根据权利要求6所述的一种基于区块链的测评方法，其特征在于，获取当前周期内受试样本的测评行为值组的测评行为有效值，并标记为Cyx；
预设测评行为有效值阈值的第一极限值Cyx1，测评行为有效值阈值的第二极限值Cyx2，其中，Cyx1<Cyx2；
若Cyx＜Cyx1时，则表示受试样本测评时间短，得到测试时间短信号，将所有测试时间短信号所对应的受试样本进行整理，得到测评时间短样品集；
若Cyx1≤Cyx＜Cyx2时，则表示受试样本测评时间适中，得到测试时间适中信号，将所有测试时间适中信号所对应的受试样本进行整理，得到测评时间适中样品集；
若Cyx≥Cyx2时，则表示受试样本测评时间长，得到测试时间长信号，将所有测试时间长信号所对应的受试样本进行整理，得到测评时间长样品集。
8.根据权利要求7所述的一种基于区块链的测评方法，其特征在于，获取测评时间短样品集内的受试样本数量，并标记为R1；
获取测评时间适中样品集内的受试样本数量，并标记为R2；
获取测评时间长样品集内的受试样本数量，并标记为R3；
将所有位于测评时间短样品集、测评时间适中样品集和测评时间长样品集内的受试样本分成m个待测试集，待测试集为当前周期后下一个周期测量集；
则每个待测试集的受试样本数量为R1/m+R2/m+R3/m。
9.根据权利要求7所述的一种基于区块链的测评方法，其特征在于，测评行为值组的测评行为有效值为测评行为值组的测评行为值均值。
10.一种基于区块链的测评系统，其特征在于，包括：
样本处理模块，样本处理模块用于获取测评行为状态数据，根据测评行为状态数据获取受试样本的测评行为值，并将测评行为值传送至云管控平台；
决策识别模块，决策识别模块用于接收云管控平台的测评行为值，根据受试样本的测评行为值，获取当前周期内受试样本的测评行为值组，基于测评行为值组对受试样本状态进行识别；
受试样本状态包括待效验样本和正常样本；
其中，基于待效验样本生成样本效验信号；
基于正常样本生成样本正常信号；
将样本效验信号与样本正常信号发送至云管控平台；
样本分类模块，样本分类模块用于接收云管控平台传送的样本正常信号：基于样本正常信号，获取当前周期内受试样本在周期内的测评行为有效值，并根据受试样本在周期内的测评行为有效值对受试样本进行整理，完成对受试样本测评行为的划分；
样本复验模块，样本复验模块用于接收云管控平台传送的样本效验信号，基于样本效验信号，获取待效验样本所对应测评行为值组，通过对待效验样本测评行为值组进行方差处理，待效验样本的测评行为方差值，对待效验样本进行二次效验。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410357748.0A CN117950974B (zh) | 2024-03-27 | 2024-03-27 | 一种基于区块链的测评方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410357748.0A CN117950974B (zh) | 2024-03-27 | 2024-03-27 | 一种基于区块链的测评方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117950974A true CN117950974A (zh) | 2024-04-30 |
| CN117950974B CN117950974B (zh) | 2024-05-28 |
Family
ID=90804087
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410357748.0A Active CN117950974B (zh) | 2024-03-27 | 2024-03-27 | 一种基于区块链的测评方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117950974B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105808970A (zh) * | 2016-05-09 | 2016-07-27 | 南京智精灵教育科技有限公司 | 一种在线认知评估系统及评估方法 |
| CN107545146A (zh) * | 2017-09-08 | 2018-01-05 | 北京辅仁淑凡软件科技有限公司 | 一种可自适应出题的心理测评方法 |
| CN112259237A (zh) * | 2020-10-13 | 2021-01-22 | 阿呆科技（北京）有限公司 | 基于多情感刺激和多级分类模型的抑郁评估系统 |
| CN113257062A (zh) * | 2021-04-19 | 2021-08-13 | 上海知汇云信息技术股份有限公司 | 一种自助式学生实验测评系统及方法 |
| WO2021205435A1 (en) * | 2020-04-05 | 2021-10-14 | Rapid Bio Pass Ltd. | Home testing with closed feedback loop and central epidemiological monitoring |
-
2024
- 2024-03-27 CN CN202410357748.0A patent/CN117950974B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105808970A (zh) * | 2016-05-09 | 2016-07-27 | 南京智精灵教育科技有限公司 | 一种在线认知评估系统及评估方法 |
| CN108198615A (zh) * | 2016-05-09 | 2018-06-22 | 南京智精灵教育科技有限公司 | 一种在线认知评估系统 |
| CN107545146A (zh) * | 2017-09-08 | 2018-01-05 | 北京辅仁淑凡软件科技有限公司 | 一种可自适应出题的心理测评方法 |
| WO2021205435A1 (en) * | 2020-04-05 | 2021-10-14 | Rapid Bio Pass Ltd. | Home testing with closed feedback loop and central epidemiological monitoring |
| CN112259237A (zh) * | 2020-10-13 | 2021-01-22 | 阿呆科技（北京）有限公司 | 基于多情感刺激和多级分类模型的抑郁评估系统 |
| CN113257062A (zh) * | 2021-04-19 | 2021-08-13 | 上海知汇云信息技术股份有限公司 | 一种自助式学生实验测评系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117950974B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rudner | Expected classification accuracy | |
| Wen | Uncertain data envelopment analysis | |
| Shewhart et al. | Statistical method from the viewpoint of quality control | |
| CN107122483B (zh) | 基础地理信息数据质检方法、装置及系统 | |
| CN115982765A (zh) | 数据脱敏方法、装置、设备及计算机可读存储介质 | |
| CN107705828A (zh) | 预判规则的检测和处理方法及装置、终端设备、存储介质 | |
| CN111079937A (zh) | 一种快速建模的方法 | |
| Fenton et al. | Factors affecting consistency and accuracy in identifying modern macroperforate planktonic foraminifera | |
| CN117950974B (zh) | 一种基于区块链的测评方法和系统 | |
| CN113806343B (zh) | 一种车联网数据质量的评估方法和系统 | |
| CN115619209A (zh) | 融合修正参数层次分析法的电力建设工程风险评价系统 | |
| CN111858236B (zh) | 知识图谱监控方法、装置、计算机设备及存储介质 | |
| CN111091194B (zh) | 一种基于cavwnb_kl算法的操作系统识别方法 | |
| CN116596395B (zh) | 用于工程项目测评单位指导及检测的运行质控平台 | |
| CN111310792B (zh) | 一种基于决策树的药敏实验结果识别方法与系统 | |
| CN117273551A (zh) | 一种改性沥青智能生产管理方法、系统及存储介质 | |
| CN115545533A (zh) | 数据处理方法、装置、设备、介质及产品 | |
| CN115494431A (zh) | 一种变压器故障告警方法、终端设备和计算机可读存储介质 | |
| US20060136290A1 (en) | Method for administrating and analyzing work place monitoring data | |
| Dewitt et al. | Science citation index and chemistry | |
| CN117275636B (zh) | 一种通用系统自动化质疑临床异常数据的方法 | |
| CN112085624A (zh) | 一种基于云计算的数据处理方法及系统 | |
| CN117057677A (zh) | 一种研学旅游产品的评价体系构建方法及相关装置 | |
| CN111159861B (zh) | 基于数据包络分析的锂电池多源可靠性试验数据评价方法 | |
| CN117726300B (zh) | 用于招标代理业务资料校验的自动化智能处理系统 |
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 |