CN118280524A - 训练方法、装置、电子设备及存储介质 - Google Patents

训练方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN118280524A
CN118280524A CN202410223247.3A CN202410223247A CN118280524A CN 118280524 A CN118280524 A CN 118280524A CN 202410223247 A CN202410223247 A CN 202410223247A CN 118280524 A CN118280524 A CN 118280524A
Authority
CN
China
Prior art keywords
training
level
trainee
data
determining
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
CN202410223247.3A
Other languages
English (en)
Other versions
CN118280524B (zh
Inventor
张浩波
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN202410223247.3A priority Critical patent/CN118280524B/zh
Publication of CN118280524A publication Critical patent/CN118280524A/zh
Application granted granted Critical
Publication of CN118280524B publication Critical patent/CN118280524B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种训练方法、装置、电子设备及存储介质，其中，方法包括：根据受训者的个人参数，在预设的多个训练等级中确定所述受训者的初始训练等级；向所述受训者展示所述初始训练等级对应的第一训练课题，获取所述受训者对所述第一训练课题的反馈数据；根据所述反馈数据和所述个人参数，对所述受训者进行多次训练。使用本方法可以为受训者精准的匹配对应初始等级的训练，并根据受训者在训练中的表现确定后续的训练等级，继而提升训练的效果和效率。

Description

训练方法、装置、电子设备及存储介质
技术领域
本发明涉及计算机技术领域，具体涉及一种训练方法、装置、电子设备及存储介质。
背景技术
短时信息维持能力是指个体在较短的时间内保持信息的能力，该能力是工作记忆中的一个重要成分，与注意力、记忆和执行功能等密切相关。目前，市面上也存在一些针对短时信息维持能力的认知训练网站或程序，帮助人们对自身的短时信息维持能力进行训练。
为了满足不同能力水平的人的训练需求，认知训练通常划分有多种难度。认知任务的难度是指完成某项任务所需要的认知资源或努力的程度，它与任务的复杂性、抽象性、速度要求、干扰因素等有关。对于认知训练任务，难度设置是一个重要因素，不适宜的难度设置会影响到练习者的表现、动机和情绪。有研究表明，认知训练的效果与任务难度呈现出一个倒U型的关系，即适中的难度可以带来最大的效果，而过低或过高的难度都会降低效果。过于简单的任务会导致天花板效应，即大多数练习者的表现都很好，无法锻炼到他们的能力。而过于难的任务会导致地板效应，即练习者无论如何努力，也无法完成任务。最佳的难度设计是让练习者需要付出一定努力而能达到的难度，在不断的难度-能力不匹配的过程中，产生最佳的学习效果。
但是，现有的认知训练网站或程序中的训练任务，对于所有练习者都是从同样的难度开始，而且难度级别的晋级设置也往往是固定的，不论练习者是否能适应下一个级别，导致训练的效果和效率低下，用户体验差。
发明内容
为了解决现有技术中存在的上述问题，本申请实施方式提供了一种训练方法、装置、电子设备及存储介质，可以为受训者精准的匹配对应初始等级的训练，并根据受训者在训练中的表现确定后续的训练等级，继而提升训练的效果和效率。
第一方面，本申请的实施方式提供了一种训练方法，该方法包括：
根据受训者的个人参数，在预设的多个训练等级中确定受训者的初始训练等级；
向受训者展示初始训练等级对应的第一训练课题，获取受训者对第一训练课题的反馈数据；
根据反馈数据和个人参数，对受训者进行多次训练；
其中，第i次训练包括：
根据训练数据Ai和个人参数，在候选训练等级池Bi中确定目标训练等级Ci，其中，当i＝1时，训练数据A1为第一训练课题的反馈数据，候选训练等级池B1为多个训练等级中除去初始训练等级后剩余的训练等级；
向受训者展示目标训练等级Ci对应的第二训练课题，获取受训者对第二训练课题的目标反馈数据Di；
将第二训练课题的目标反馈数据Di作为第i+1次训练的训练数据Ai+1，将目标训练等级Ci从候选训练等级池Bi中剔除得到候选训练等级池Bi+1，进行第i+1次训练，直至完成多次训练。
在一种可能的实施方式中，根据受训者的个人参数，在预设的多个训练等级中确定受训者的初始训练等级，包括：
根据个人参数确定受训者所属的第一群体；
根据第一群体确定随机误差和个人参数的系数；
根据个人参数、系数和随机误差，在多个训练等级中确定受训者的初始训练等级。
在一种可能的实施方式中，个人参数包括：年龄、性别、基础认知能力、成就动机特征、压力水平和睡眠质量，基于此，根据第一群体确定个人参数的系数，包括：
根据第一群体的历史训练数据，确定年龄、性别、基础认知能力、成就动机特征、压力水平和睡眠质量分别对训练的贡献率；
将年龄、性别、基础认知能力、成就动机特征、压力水平和睡眠质量对应的贡献率归一化，得到年龄、性别、基础认知能力、成就动机特征、压力水平和睡眠质量各自的系数。
在一种可能的实施方式中，向受训者展示初始训练等级对应的第一训练课题，获取受训者对第一训练课题的反馈数据，包括：
根据第一训练课题获取训练图片；
向受训者展示注视点，以使受训者注视注视点；
经过预设第一时间间隔后，向受训者展示训练图片；
经过预设第二时间间隔后，向受训者展示空白界面；
经过预设第三时间间隔后，向受训者展示答题界面，其中，答题界面包括训练问题和回答选项，训练问题和训练图片相关；
接收受训者对回答选项的操作数据，将操作数据和本次训练的用时作为反馈数据。
在一种可能的实施方式中，根据训练数据Ai和个人参数，在候选训练等级池Bi中确定目标训练等级Ci，包括：
根据个人参数确定受训者所属的第二群体；
获取第二群体的回报表，其中，回报表用于记载第二群体在每个训练等级中的回报概率；
根据训练数据Ai和回报表，在候选训练等级池Bi中确定目标训练等级Ci。
在一种可能的实施方式中，根据训练数据Ai和回报表，在候选训练等级池Bi中确定目标训练等级Ci，包括：
根据训练数据Ai和回报表，确定第一训练等级的预测回报概率，其中，第一训练等级为候选训练等级池Bi中的任意一个候选等级；
将预测回报概率中最大值对应的训练等级作为目标训练等级Ci。
在一种可能的实施方式中，根据训练数据Ai和回报表，确定第一训练等级的预测回报概率，包括：
在回报表中获取第一训练等级对应的第一历史回报概率；
在回报表中获取第二训练等级对应的第二历史回报概率，其中，第二训练等级为训练数据Ai对应的训练等级；
获取第二群体对第一训练等级的训练参数，其中，训练参数用于标识第二群体执行第一训练等级的训练课题时的表现的程度；
根据训练数据Ai确定第二训练等级的实际回报概率；
根据第一历史回报概率、第二历史回报概率、训练参数和实际回报概率，确定第一训练等级的预测回报概率。
第二方面，本申请的实施方式提供了一种训练装置，包括：
初始模块，用于根据受训者的个人参数，在预设的多个训练等级中确定受训者的初始训练等级；
训练模块，用于向受训者展示初始训练等级对应的第一训练课题，获取受训者对第一训练课题的反馈数据，根据反馈数据和个人参数，对受训者进行多次训练；
其中，在第i次训练中，训练模块用于：
根据训练数据Ai和个人参数，在候选训练等级池Bi中确定目标训练等级Ci，其中，当i＝1时，训练数据A1为第一训练课题的反馈数据，候选训练等级池B1为多个训练等级中除去初始训练等级后剩余的训练等级；
向受训者展示目标训练等级Ci对应的第二训练课题，获取受训者对第二训练课题的目标反馈数据Di；
将第二训练课题的目标反馈数据Di作为第i+1次训练的训练数据Ai+1，将目标训练等级Ci从候选训练等级池Bi中剔除得到候选训练等级池Bi+1，进行第i+1次训练，直至完成多次训练。
第三方面，本申请实施方式提供一种电子设备，包括：处理器，处理器与存储器相连，存储器用于存储计算机程序，处理器用于执行存储器中存储的计算机程序，以使得电子设备执行如第一方面的方法。
第四方面，本申请实施方式提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序使得计算机执行如第一方面的方法。
第五方面，本申请实施方式提供一种计算机程序产品，计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，计算机可操作来使计算机执行如第一方面的方法。
实施本申请实施方式，具有如下有益效果：
在本申请实施方式中，通过根据受训者的个人参数，确定出该受训者的用户特征，继而根据同样特征的人群的历史测试数据，在预设的多个训练等级中为该受训者确定出合适的初始训练等级。然后，向受训者展示初始训练等级对应的第一训练课题，并获取受训者对第一训练课题的反馈数据。最后，根据反馈数据和个人参数，对受训者进行多次训练。具体而言，可以根据受训者每次训练的反馈数据和个人参数，在剩余的训练级别中确定出最合适的训练级别作为下一次训练的级别。由此，通过个人参数，获取历史参加训练中和该受训者相似的人群的历史数据作为判定级别的参考，同时结合反馈数据，使得在确定下一级别时，可以同时兼顾该受训者的个人特征和群体特征，继而得到更加精准的训练级别对该受训者进行训练。相对于现有的固定级别模式，本方案使的受训者接收的每个级别都能对受训者起到较好的训练作用，无需在不合适的训练级别中浪费时间，可以同时兼顾较好的训练效果和较高的训练效率，且极大的提升了受训者的用户体验。
附图说明
为了更清楚地说明本申请实施方式中的技术方案，下面将对实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施方式提供的一种训练系统的示意图；
图2为本申请实施方式提供的一种训练任务的基本流程的示意图；
图3为本申请实施方式提供的一种训练方法的流程示意图；
图4为本申请实施方式提供的一种向用户展示第一训练课题进行训练的示意图；
图5为本申请实施方式提供的一种第i次训练的流程示意图；
图6为本申请实施方式提供的一种训练装置的功能模块组成框图；
图7为本申请实施方式提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本申请一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，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他实施方式，都属于本申请保护的范围。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施方式”意味着，结合实施方式描述的特定特征、结果或特性可以包含在本申请的至少一个实施方式中。在说明书中的各个位置出现该短语并不一定均是指相同的实施方式，也不是与其它实施方式互斥的独立的或备选的实施方式。本领域技术人员显式地和隐式地理解的是，本文所描述的实施方式可以与其它实施方式相结合。
首先，参阅图1，图1为本申请实施方式提供的一种训练系统的示意图。
示例性的，该训练系统可以包括训练设备、处理设备和数据库。其中，训练设备可以是智能手机(如Android手机、iOS手机、Windows Phone手机等)、平板电脑、掌上电脑、笔记本电脑、移动互联网设备MID(Mobile Internet Devices，简称：MID)、机器人或穿戴式设备等具备显示功能的可操作设备，本申请对此不作具体限定。处理设备可以是服务器，例如，可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器，本申请对此不作具体限定。数据库也可以是服务器，或者提供数据存储服务的存储器，例如：只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)、只读光盘(compact disc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，本申请对此同样不作具体限定。
具体而言，受训者可以通过训练设备发起训练请求，训练设备接收到训练请求后，获取该受训者的身份标识，例如，可以通过登录ID、面部识别、指纹识别等方式，获取受训者的身份标识。然后，训练设备将该身份标识和训练请求发送至处理设备，由处理设备根据身份标识，在数据库中获取该受训者的个人参数，并根据个人参数确定出该受训者的初始训练等级。然后，处理设备根据初始训练等级在数据库中获取对应的素材，并生成第一训练课题发送至训练设备，通过训练设备向受训者进行展示。受训者可以通过操作训练设备响应显示的第一训练课题进行训练，训练设备收集该受训者在训练过程中的数据，作为该受训者对第一训练课题的反馈数据。然后，训练设备将该反馈数据发送至处理设备，由处理设备确定该受训者的下一个训练等级。由此，重复上述获取素材、生成训练课题、显示训练课题、获取反馈数据和确定下一训练等级的流程，对受训者进行多次训练。
由此，通过个人参数，获取历史参加训练中和该受训者相似的人群的历史数据作为判定级别的参考，同时结合反馈数据，使得在确定下一级别时，可以同时兼顾该受训者的个人特征和群体特征，继而得到更加精准的训练级别对该受训者进行训练，提升训练效率和训练效果。
其次，需要说明的是，本申请实施方式所提供的训练方法可以应用于短时信息维持能力、灵活性能力、理解能力等可进行能力训练的场景中。以下，将以短时信息维持能力的训练场景为例，对本申请所提出的一种训练方法进行说明，其他场景下的训练方法与短时信息维持能力的训练场景下的方法类似，在此将不再赘述。
在本实施方式中，短时信息维持能力的是指个体在较短的时间内保持信息的能力，短时信息维持能力是工作记忆中的一个重要成分，与注意力、记忆和执行功能等密切相关。现有的针对短时信息维持能力的认知训练任务中，常常混有多种认知成分。例如目前工作记忆训练中最常用的N-back任务，要求个体在观察一系列的刺激(如字母、图形、声音等)时，判断当前的刺激是否与之前的某个刺激相同；N-back任务中包含有信息维持、更新、干扰抑制三个主要认知成分。不同认知功能成分在注意力、记忆和执行控制等认知资源上，存在着竞争。当一个训练任务涉及多个认知功能成分，练习者就需要对认知资源进行分配，会导致在特定认知功能上的训练效果下降。而且由于多认知成分的复杂训练任务的形式特定性更强，会导致训练效果的迁移范围更窄。假使身体某块肌肉萎缩，一种方式是调动多处的肌肉进行复杂运动训练(如打羽毛球)，而另一种方式是只针对特定的肌肉进行训练。后一种方式的效果可能更显著，所需时间更短，并且可以在需要短时信息维持的多种情况下有迁移效果。
同时，现有的信息维持能力的认知训练任务，仅使用一种或少数类型的任务形式，而且也没有结合个体的生活经验和背景知识，从而导致训练效果往往只能在同一认知域或相似的任务中体现，而难以扩展到其他认知域或生活实践中。例如：Memory Match游戏，形式仅有一种，为不同颜色的不同形状的几何图形。
在本实施方式中，基于以往认知训练任务的缺陷，设计了一种基于延迟匹配任务的短时信息维持能力训练方法。具体而言，这是一种针对短时记忆和工作记忆的实验方法，该任务的经典范式流程为：被试先看到一个样本刺激，经过一段时间的延迟后，再看到两个或多个比较刺激，被试需要从中选择一个与样本刺激相同或相似的刺激，以获得奖励或反馈。延迟匹配任务中主要涉及的是短时信息的短时维持能力，而不涉及更新、冲动抑制、灵活性等认知功能成分。
具体而言，如图2所示，基于延迟匹配任务范式，本实施方式对该任务范式进行了游戏化改造，将其修改为适用于不同人群的短时记忆训练任务。训练任务的基本流程为，受试者在短时间内对信息进行编码和记忆，间隔一段时间后，受试者在对信息内容进行再认。具体流程为五步：注意准备(注视点)—多个图片材料的呈现(信息编码和记忆)—短时延迟(可插入干扰)—对呈现的单张图片进行判断反应(是否在信息编码阶段出现过)—对受试者的反应给出反馈(正确或者错误)。
在本实施方式中，认知训练所使用的信息材料与生活实践贴合，多样化。信息材料可以是任何可对受训者进行记忆刺激的材料，例如图像、声音、颜色等等。同时，为了防止对信息材料熟悉后产生的策略，信息材料的内容包括具象和抽象两种。以图像材料为例，具象材料有9个类别，分别为服装、工具、生活用品、食物、玩具、蔬果、花草、运动用品、交通工具和海洋生物，均与日常生活相关，可以帮助练习者更好的应对日常生活相关的记忆任务。抽象材料有4个类别，分别为字母、抽象符号、抽象图形和偏旁部首。由此，可以避免练习者使用特定策略去记忆信息，从而扩大信息维持能力的适应性范围。
本实施方式中从4个维度设置难度梯度，分别为信息的内容、信息的呈现时间、信息的数量、和是否存在干扰信息。难度梯度按照认知心理学原理，呈现小步缓慢的渐进式上升，符合一般人群的训练规律，练习者将逐渐提高在不同情形下的信息维持能力，使练习者不断得到挑战。这样可以保持练习者的兴趣和动机，促进练习者的成就感，提高练习者的认知能力和训练效果。
根据材料数量、材料内容、延迟时间和是否存在干扰这4个维度，本申请中的训练方案划分了40级难度。其中呈现图片中的材料数量有五个水平，分别是3、4、5、6、7个材料；图片材料内容有两个水平，分别是具象材料和抽象材料；延迟时间有两个水平，分别是延迟3秒和延迟5秒；是否存在干扰有两个水平，有或无。由四个要素的不同水平会产生出40种组合方式，这构成了训练程序的40个难度级别，如表1所示：
表1：
需要说明的是，上述40级难度仅为帮助理解本申请实施方式所做出的示例，并不代表对本申请提出的方案中的难度级别的划分做出限制。在实际运用中，可以根据实际情况对要素数量进行调整，也可以对要素水平进行调整，继而得出其他数量级的难度级别，本申请对此不做限制。
在本实施方式中，其他的显示方式也适用于本申请，本申请对此不做限制。
具体来说，多个图片材料的呈现方式可以是以相同的大小同时平铺于显示界面中，也可以以不同的大小分散在不同视野范围上，增加视觉搜索范围，提高编码的难度。
干扰信息可以是文字、数学计算、声音、图像等与需要记忆的刺激材料无关的信息，出现位置可以在呈现图片时同步给出，也可以在短时延迟时间中给出。
延迟时间可以变化，判断的规则也可以改变，如要求受试者在判断图片中识别没有出现过的图片。
流程可以增加对刺激材料的加工的步骤，如对材料中的数字进行计算、对图形进行重新排列、空间翻转等。
以下将结合上述短时信息维持能力的训练场景，对本申请所提出的一种训练方法进行详细说明。
参阅图3，图3为本申请实施方式提供的一种训练方法的流程示意图，该方法应用于上述实施方式中的训练系统，该训练方法可以包括以下步骤：
301：根据受训者的个人参数，在预设的多个训练等级中确定受训者的初始训练等级。
在本实施方式中，受训者的个人参数可以通过训练设备获取的身份标识确认，具体而言，处理设备可以通过该身份标识，在数据库中进行匹配，获取该身份标识对应的个人参数。若无法在数据库中匹配到个人参数，可通过训练设备向受训者发出个人参数获取请求，使受训者通过训练设备输入所需的个人参数。
在本实施方式中，该个人参数可以包括：年龄、性别、基础认知能力、成就动机特征、压力水平和睡眠质量。示例性的，可以通过受训者在持续注意任务(Flanker)和数字广度任务(Digit Span)中的表现来评估基础认知能力；通过成就动机问卷(ASM)来测量受训者的成就动机特征；通过压力感知自我报告量表类评估受训者的生活压力水平；通过匹兹堡睡眠质量指数量表来评估受训者在过去一个月中的睡眠质量。
在本实施方式中，获取到个人参数后，首先可以根据个人参数确定受训者所属的第一群体。示例性的，可以根据个人参数中的年龄、性别、基础认知能力和成就动机特征，生成该受训者的个人画像，继而将该个人画像与数据库中各群体的群体画像进行相似度计算，将相似度最高的群体画像对应的群体作为该第一群体。
然后，可以根据第一群体确定随机误差和个人参数的系数。具体而言，对于随机误差而言，可以获取该第一群体在计算初始训练等级时使用的随机误差的最大值和最小值，继而将该最大值和最小值之间的范围作为本次计算初始训练等级中使用的随机误差的生成范围，在该范围中随机获取一个值，作为本次计算所使用的随机误差ε。同时，根据第一群体的历史训练数据，确定出年龄、性别、基础认知能力、成就动机特征、压力水平和睡眠质量分别对训练的贡献率，继而将年龄、性别、基础认知能力、成就动机特征、压力水平和睡眠质量对应的贡献率归一化，得到年龄、性别、基础认知能力、成就动机特征、压力水平和睡眠质量各自的系数。
最后，可以根据该个人参数、系数和随机误差，在多个训练等级中确定受训者的初始训练等级。具体而言，初始训练等级可以通过公式①进行表示：
Y＝β1X1+β2X2+β3X3+β4X4+β5X5+β6X6+ε………①
其中，Y表示初始训练等级，X1-X6分别表示年龄、性别、基础认知能力、成就动机特征、压力水平和睡眠质量量化后的数值，β1-β6分别表示年龄、性别、基础认知能力、成就动机特征、压力水平和睡眠质量的系数，ε表示随机误差。
在本实施方式中，经过上述计算，可以的得到训练等级Y。继而可以将Y值在表1中确定出初始训练等级。例如：Y值为16，则训练等级为第16级。
302：向受训者展示初始训练等级对应的第一训练课题，获取受训者对第一训练课题的反馈数据。
在本实施方式中，根据初始训练等级，可以确定出该训练等级的素材需求和训练规则，继而根据该素材需求确定第一训练课题，并按照训练规则将第一训练课题向受训者进行展示。示例性的，当初始训练等级为第16级时，根据表1中的记载，其素材需求为：4张抽象图片，训练规则为：5秒延迟，存在干扰。则第一训练课题为4张抽象图片在存在干扰下的记忆维持识别。
在本实施方式中，确定出第一训练课题后，即可根据第一训练课题获取训练图片，沿用上述第一训练课题为4张抽象图片在存在干扰下的记忆维持识别的示例，则在抽象图片库中随机获取4张图像作为训练图片。然后，如图4所示，在展示界面中心显示注视点，以使受训者注视注视点，帮助受试者集中注意力。在经过预设第一时间间隔后，向受训者展示训练图片，该第一时间间隔可以为1秒，4张抽象图片以相同的大小同时显示在显示界面上。经过预设第二时间间隔后，向受训者展示空白界面，该第二时间间隔可以是5秒，即受训者有5秒的时间观察并记忆展示的4张抽象图片。经过预设第三时间间隔后，向受训者展示答题界面，该第三时间间隔即为延迟时间，由训练等级所对应的训练规则确定，在本示例中为5秒。同时，在本示例中，由于存在干扰，则在该延迟时间中，可以插入一些干扰项，对受训者进行干扰。例如：显示不同于4张抽象图片的其他图像、简单的数学计算题、一段文本等。答题界面中包括训练问题和回答选项，其中，训练问题和训练图片相关，例如：可以展示一张图片，询问该图片是否在刚才展示的4张抽象图片中。干扰的插入时间和持续时长可随机确定，仅需保证插入干扰后，延迟时间和干扰时间的总和保持在5秒即可。在一次训练任务中，上述问答环节可以设置多个，继而接收受训者对多次问答中的回答选项的操作数据，将操作数据和本次训练的用时作为反馈数据。
303：根据反馈数据和个人参数，对受训者进行多次训练；
在本实施方式中，该反馈数据可以是受训者在训练任务中的答题正确率和用时，由此，反馈数据可以表明受训者在该训练等级中的表现情况。因此，可以根据该反馈数据和受训者的个人参数，在剩余的级别中确定该受训者的下一个训练等级。同样的，在受训者完成下一个训练等级的训练后，也可以根据该受训者在下一个训练等级的训练中的反馈数据，结合其个人参数，确定出下下一个训练等级。由此循环往复，对受训者进行多次训练，直至该受训者达到最高的训练等级，或者无法确定出下一个训练等级时，结束训练。
具体而言，如图5所示，图5示出了第i次训练的流程示意图，第i次训练具体包括：
501：根据训练数据Ai和个人参数，在候选训练等级池Bi中确定目标训练等级Ci。
在本实施方式中，当i＝1时，训练数据A1为第一训练课题的反馈数据，候选训练等级池B1为多个训练等级中除去初始训练等级后剩余的训练等级。
具体而言，首先可以根据个人参数确定受训者所属的第二群体，该第二群体的确定方法与步骤301中第一群体的确定方法类似，在此不再赘述。然后，获取第二群体的回报表，该回报表用于记载第二群体在每个训练等级中的回报概率。最后，根据训练数据Ai和回报表，在候选训练等级池Bi中确定目标训练等级Ci。
在本实施方式中，该回报概率为第二群体中每个个体在进行训练时，所计算出的每个训练等级的回报概率的均值。简而言之，若第二群体中有3个个体，分别为：个体1、个体2和个体3。其中，在个体1的训练过程中，其训练等级E的回报概率为E1；在个体2的训练过程中，其训练等级E的回报概率为E2；在个体3的训练过程中，其训练等级E的回报概率为E3。则对于第二群体而言，其训练等级E的回报概率为E1、E2和E3的平均值。而将该群体对每个训练等级的回报概率整理成表，即可得到个群体的回报表。
基于此，在本实施方式中，可以根据训练数据Ai和回报表，确定第一训练等级的预测回报概率，该第一训练等级可以为候选训练等级池Bi中的任意一个候选等级。示例性的，可以在回报表中获取第一训练等级对应的第一历史回报概率，并在回报表中获取第二训练等级对应的第二历史回报概率，该第二训练等级为训练数据Ai对应的训练等级，或者说该训练等级为当前执行的训练任务的训练等级。然后，获取第二群体对第一训练等级的训练参数，该训练参数用于标识第二群体执行第一训练等级的训练课题时的表现的程度，在本实施方式中可以用平均正确率替代。然后，根据训练数据Ai确定第二训练等级的实际回报概率。最后，根据第一历史回报概率、第二历史回报概率、训练参数和实际回报概率，确定第一训练等级的预测回报概率。
具体而言，若当前训练等级为t，则在下一个训练等级为u时，预测回报概率可以通过公式②进行表示：
Qy(St,At)＝Qs(St,At)+α[Ru+λQh(Su,Au)-Qh(St,At)]………②
其中，Qy(St，At)表示当前训练等级t在下一个训练等级为u时的预测回报概率，Qs(St，At)表示当前训练等级t的实际回报概率，Ru表示第二群体在训练等级u下的平均正确率，Qh(Su，Au)表示训练等级u的第一历史回报概率，Qh(St，At)表示训练等级t的第二历史回报概率，α表示学习率，其取值可以在[0,1]之间变动，该值反映了训练级别之间的更新速度，在本实施方式中，该值在初始级别时可以赋值为0.5，λ表示折扣因子，取值可以在[0,1]之间变动，反映了新、旧训练级别之间的重要性权衡，该值在初始级别时可以赋值为0.5。
由此，对于每个候选的训练等级，可以计算出该训练等级为下一级时，当前训练对受训者的回报概率，继而可以将预测回报概率中最大值，即风险最小而回报最大的训练级别作为目标训练等级Ci，即下一个训练等级。
502：向受训者展示目标训练等级Ci对应的第二训练课题，获取受训者对第二训练课题的目标反馈数据Di。
在本实施方式中，该展示方式与目标反馈数据Di的获取方式，与步骤302中的展示方式与反馈数据的获取方式相似，在此不再赘述。
503：将第二训练课题的目标反馈数据Di作为第i+1次训练的训练数据Ai+1，将目标训练等级Ci从候选训练等级池Bi中剔除得到候选训练等级池Bi+1，进行第i+1次训练，直至完成多次训练。
在本实施方式中，当当前训练等级为最高训练等级时，可以确定受训者完成多次训练；或者，当受训者连续n次确定出的下一等级小于或等于当前等级时，认定当前等级已经是该受训者可接受的极限等级，则认定受训者完成了多次训练。其中，n值可以根据实际的应用场景需求进行确定，本申请对此不做限制。
综上所述，本发明所提供的训练方法中，通过根据受训者的个人参数，确定出该受训者的用户特征，继而根据同样特征的人群的历史测试数据，在预设的多个训练等级中为该受训者确定出合适的初始训练等级。然后，向受训者展示初始训练等级对应的第一训练课题，并获取受训者对第一训练课题的反馈数据。最后，根据反馈数据和个人参数，对受训者进行多次训练。具体而言，可以根据受训者每次训练的反馈数据和个人参数，在剩余的训练级别中确定出最合适的训练级别作为下一次训练的级别。由此，通过个人参数，获取历史参加训练中和该受训者相似的人群的历史数据作为判定级别的参考，同时结合反馈数据，使得在确定下一级别时，可以同时兼顾该受训者的个人特征和群体特征，继而得到更加精准的训练级别对该受训者进行训练。相对于现有的固定级别模式，本方案使的受训者接收的每个级别都能对受训者起到较好的训练作用，无需在不合适的训练级别中浪费时间，有助于保持用户的挑战感和成就感，继而可以同时兼顾较好的训练效果和较高的训练效率，且极大的提升了受训者的用户体验。
参阅图6，图6为本申请实施方式提供的一种训练装置的功能模块组成框图。如图6所示，该训练装置600包括：
初始模块601，用于根据受训者的个人参数，在预设的多个训练等级中确定受训者的初始训练等级；
训练模块602，用于向受训者展示初始训练等级对应的第一训练课题，获取受训者对第一训练课题的反馈数据，根据反馈数据和个人参数，对受训者进行多次训练；
其中，在第i次训练中，训练模块602，具体用于：
根据训练数据Ai和个人参数，在候选训练等级池Bi中确定目标训练等级Ci，其中，当i＝1时，训练数据A1为第一训练课题的反馈数据，候选训练等级池B1为多个训练等级中除去初始训练等级后剩余的训练等级；
向受训者展示目标训练等级Ci对应的第二训练课题，获取受训者对第二训练课题的目标反馈数据Di；
将第二训练课题的目标反馈数据Di作为第i+1次训练的训练数据Ai+1，将目标训练等级Ci从候选训练等级池Bi中剔除得到候选训练等级池Bi+1，进行第i+1次训练，直至完成多次训练。
在本发明的实施方式中，在根据受训者的个人参数，在预设的多个训练等级中确定受训者的初始训练等级方面，初始模块601，具体用于：
根据个人参数确定受训者所属的第一群体；
根据第一群体确定随机误差和个人参数的系数；
根据个人参数、系数和随机误差，在多个训练等级中确定受训者的初始训练等级。
在本发明的实施方式中，个人参数包括：年龄、性别、基础认知能力、成就动机特征、压力水平和睡眠质量，基于此，在根据第一群体确定个人参数的系数方面，初始模块601，具体用于：
根据第一群体的历史训练数据，确定年龄、性别、基础认知能力、成就动机特征、压力水平和睡眠质量分别对训练的贡献率；
将年龄、性别、基础认知能力、成就动机特征、压力水平和睡眠质量对应的贡献率归一化，得到年龄、性别、基础认知能力、成就动机特征、压力水平和睡眠质量各自的系数。
在本发明的实施方式中，在向受训者展示初始训练等级对应的第一训练课题，获取受训者对第一训练课题的反馈数据方面，训练模块602，具体用于：
根据第一训练课题获取训练图片；
向受训者展示注视点，以使受训者注视注视点；
经过预设第一时间间隔后，向受训者展示训练图片；
经过预设第二时间间隔后，向受训者展示空白界面；
经过预设第三时间间隔后，向受训者展示答题界面，其中，答题界面包括训练问题和回答选项，训练问题和训练图片相关；
接收受训者对回答选项的操作数据，将操作数据和本次训练的用时作为反馈数据。
在本发明的实施方式中，在根据训练数据Ai和个人参数，在候选训练等级池Bi中确定目标训练等级Ci方面，训练模块602，具体用于：
根据个人参数确定受训者所属的第二群体；
获取第二群体的回报表，其中，回报表用于记载第二群体在每个训练等级中的回报概率；
根据训练数据Ai和回报表，在候选训练等级池Bi中确定目标训练等级Ci。
在本发明的实施方式中，在根据训练数据Ai和回报表，在候选训练等级池Bi中确定目标训练等级Ci方面，训练模块602，具体用于：
根据训练数据Ai和回报表，确定第一训练等级的预测回报概率，其中，第一训练等级为候选训练等级池Bi中的任意一个候选等级；
将预测回报概率中最大值对应的训练等级作为目标训练等级Ci。
在本发明的实施方式中，在根据训练数据Ai和回报表，确定第一训练等级的预测回报概率方面，训练模块602，具体用于：
在回报表中获取第一训练等级对应的第一历史回报概率；
在回报表中获取第二训练等级对应的第二历史回报概率，其中，第二训练等级为训练数据Ai对应的训练等级；
获取第二群体对第一训练等级的训练参数，其中，训练参数用于标识第二群体执行第一训练等级的训练课题时的表现的程度；
根据训练数据Ai确定第二训练等级的实际回报概率；
根据第一历史回报概率、第二历史回报概率、训练参数和实际回报概率，确定第一训练等级的预测回报概率。
参阅图7，图7为本申请实施方式提供的一种电子设备的结构示意图。如图7所示，电子设备700包括收发器701、处理器702和存储器703。它们之间通过总线704连接。存储器703用于存储计算机程序和数据，并可以将存储器703存储的数据传输给处理器702。
处理器702用于读取存储器703中的计算机程序执行以下操作：
根据受训者的个人参数，在预设的多个训练等级中确定受训者的初始训练等级；
向受训者展示初始训练等级对应的第一训练课题，获取受训者对第一训练课题的反馈数据；
根据反馈数据和个人参数，对受训者进行多次训练；
其中，第i次训练包括：
根据训练数据Ai和个人参数，在候选训练等级池Bi中确定目标训练等级Ci，其中，当i＝1时，训练数据A1为第一训练课题的反馈数据，候选训练等级池B1为多个训练等级中除去初始训练等级后剩余的训练等级；
向受训者展示目标训练等级Ci对应的第二训练课题，获取受训者对第二训练课题的目标反馈数据Di；
将第二训练课题的目标反馈数据Di作为第i+1次训练的训练数据Ai+1，将目标训练等级Ci从候选训练等级池Bi中剔除得到候选训练等级池Bi+1，进行第i+1次训练，直至完成多次训练。
在本发明的实施方式中，在根据受训者的个人参数，在预设的多个训练等级中确定受训者的初始训练等级方面，处理器702，具体用于执行以下操作：
根据个人参数确定受训者所属的第一群体；
根据第一群体确定随机误差和个人参数的系数；
根据个人参数、系数和随机误差，在多个训练等级中确定受训者的初始训练等级。
在本发明的实施方式中，个人参数包括：年龄、性别、基础认知能力、成就动机特征、压力水平和睡眠质量，基于此，在根据第一群体确定个人参数的系数方面，处理器702，具体用于执行以下操作：
根据第一群体的历史训练数据，确定年龄、性别、基础认知能力、成就动机特征、压力水平和睡眠质量分别对训练的贡献率；
将年龄、性别、基础认知能力、成就动机特征、压力水平和睡眠质量对应的贡献率归一化，得到年龄、性别、基础认知能力、成就动机特征、压力水平和睡眠质量各自的系数。
在本发明的实施方式中，在向受训者展示初始训练等级对应的第一训练课题，获取受训者对第一训练课题的反馈数据方面，处理器702，具体用于执行以下操作：
根据第一训练课题获取训练图片；
向受训者展示注视点，以使受训者注视注视点；
经过预设第一时间间隔后，向受训者展示训练图片；
经过预设第二时间间隔后，向受训者展示空白界面；
经过预设第三时间间隔后，向受训者展示答题界面，其中，答题界面包括训练问题和回答选项，训练问题和训练图片相关；
接收受训者对回答选项的操作数据，将操作数据和本次训练的用时作为反馈数据。
在本发明的实施方式中，在根据训练数据Ai和个人参数，在候选训练等级池Bi中确定目标训练等级Ci方面，处理器702，具体用于执行以下操作：
根据个人参数确定受训者所属的第二群体；
获取第二群体的回报表，其中，回报表用于记载第二群体在每个训练等级中的回报概率；
根据训练数据Ai和回报表，在候选训练等级池Bi中确定目标训练等级Ci。
在本发明的实施方式中，在根据训练数据Ai和回报表，在候选训练等级池Bi中确定目标训练等级Ci方面，处理器702，具体用于执行以下操作：
根据训练数据Ai和回报表，确定第一训练等级的预测回报概率，其中，第一训练等级为候选训练等级池Bi中的任意一个候选等级；
将预测回报概率中最大值对应的训练等级作为目标训练等级Ci。
在本发明的实施方式中，在根据训练数据Ai和回报表，确定第一训练等级的预测回报概率方面，处理器702，具体用于执行以下操作：
在回报表中获取第一训练等级对应的第一历史回报概率；
在回报表中获取第二训练等级对应的第二历史回报概率，其中，第二训练等级为训练数据Ai对应的训练等级；
获取第二群体对第一训练等级的训练参数，其中，训练参数用于标识第二群体执行第一训练等级的训练课题时的表现的程度；
根据训练数据Ai确定第二训练等级的实际回报概率；
根据第一历史回报概率、第二历史回报概率、训练参数和实际回报概率，确定第一训练等级的预测回报概率。
应理解，本申请中的训练装置可以包括智能手机、平板电脑、掌上电脑、笔记本电脑、移动互联网设备MID、机器人或穿戴式设备等。上述训练装置仅是举例，而非穷举，包含但不限于上述训练装置。在实际应用中，上述训练装置还可以包括：智能车载终端、计算机设备等等。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件结合硬件平台的方式来实现。基于这样的理解，本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施方式或者实施方式的某些部分所述的方法。
因此，本申请实施方式还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有计算机程序，所述计算机程序被处理器执行以实现如上述方法实施方式中记载的任何一种训练方法的部分或全部步骤。例如，所述存储介质可以包括硬盘、软盘、光盘、磁带、磁盘、优盘、闪存等。
本申请实施方式还提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如上述方法实施方式中记载的任何一种训练方法的部分或全部步骤。
需要说明的是，对于前述的各方法实施方式，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施方式均属于可选的实施方式，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施方式中，对各个实施方式的描述都各有侧重，某个实施方式中没有详述的部分，可以参见其他实施方式的相关描述。
在本申请所提供的几个实施方式中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，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，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本申请各个实施方式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，也可以采用软件程序模块的形式实现。
所述集成的单元如果以软件程序模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施方式的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。
以上对本申请实施方式进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施方式的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种训练方法，其特征在于，所述方法包括：
根据受训者的个人参数，在预设的多个训练等级中确定所述受训者的初始训练等级；
向所述受训者展示所述初始训练等级对应的第一训练课题，获取所述受训者对所述第一训练课题的反馈数据；
根据所述反馈数据和所述个人参数，对所述受训者进行多次训练；
其中，第i次训练包括：
根据训练数据Ai和所述个人参数，在候选训练等级池Bi中确定目标训练等级Ci，其中，当i＝1时，训练数据A1为所述第一训练课题的反馈数据，候选训练等级池B1为所述多个训练等级中除去所述初始训练等级后剩余的训练等级；
向所述受训者展示所述目标训练等级Ci对应的第二训练课题，获取所述受训者对所述第二训练课题的目标反馈数据Di；
将所述第二训练课题的目标反馈数据Di作为第i+1次训练的训练数据Ai+1，将所述目标训练等级Ci从所述候选训练等级池Bi中剔除得到候选训练等级池Bi+1，进行所述第i+1次训练，直至完成所述多次训练。
2.根据权利要求1所述的方法，其特征在于，所述根据受训者的个人参数，在预设的多个训练等级中确定所述受训者的初始训练等级，包括：
根据所述个人参数确定所述受训者所属的第一群体；
根据所述第一群体确定随机误差和所述个人参数的系数；
根据所述个人参数、所述系数和所述随机误差，在所述多个训练等级中确定所述受训者的初始训练等级。
3.根据权利要求2所述的方法，其特征在于，
所述个人参数包括：年龄、性别、基础认知能力、成就动机特征、压力水平和睡眠质量；
根据所述第一群体确定所述个人参数的系数，包括：
根据所述第一群体的历史训练数据，确定所述年龄、所述性别、所述基础认知能力、所述成就动机特征、所述压力水平和所述睡眠质量分别对训练的贡献率；
将所述年龄、所述性别、所述基础认知能力、所述成就动机特征、所述压力水平和所述睡眠质量对应的贡献率归一化，得到年龄、所述性别、所述基础认知能力、所述成就动机特征、所述压力水平和所述睡眠质量各自的系数。
4.根据权利要求1所述的方法，其特征在于，所述向所述受训者展示所述初始训练等级对应的第一训练课题，获取所述受训者对所述第一训练课题的反馈数据，包括：
根据所述第一训练课题获取训练图片；
向所述受训者展示注视点，以使所述受训者注视所述注视点；
经过预设第一时间间隔后，向所述受训者展示所述训练图片；
经过预设第二时间间隔后，向所述受训者展示空白界面；
经过预设第三时间间隔后，向所述受训者展示答题界面，其中，所述答题界面包括训练问题和回答选项，所述训练问题和所述训练图片相关；
接收所述受训者对所述回答选项的操作数据，将所述操作数据和本次训练的用时作为所述反馈数据。
5.根据权利要求1-4中任意一项所述的方法，其特征在于，所述根据训练数据Ai和所述个人参数，在候选训练等级池Bi中确定目标训练等级Ci，包括：
根据所述个人参数确定所述受训者所属的第二群体；
获取所述第二群体的回报表，其中，所述回报表用于记载所述第二群体在每个训练等级中的回报概率；
根据所述训练数据Ai和所述回报表，在所述候选训练等级池Bi中确定所述目标训练等级Ci。
6.根据权利要求5所述的方法，其特征在于，所述根据所述训练数据Ai和所述回报表，在所述候选训练等级池Bi中确定所述目标训练等级Ci，包括：
根据所述训练数据Ai和所述回报表，确定第一训练等级的预测回报概率，其中，所述第一训练等级为所述候选训练等级池Bi中的任意一个候选等级；
将所述预测回报概率中最大值对应的训练等级作为所述目标训练等级Ci。
7.根据权利要求6所述的方法，其特征在于，所述根据所述训练数据Ai和所述回报表，确定第一训练等级的预测回报概率，包括：
在所述回报表中获取所述第一训练等级对应的第一历史回报概率；
在所述回报表中获取第二训练等级对应的第二历史回报概率，其中，所述第二训练等级为所述训练数据Ai对应的训练等级；
获取所述第二群体对所述第一训练等级的训练参数，其中，所述训练参数用于标识所述第二群体执行所述第一训练等级的训练课题时的表现的程度；
根据所述训练数据Ai确定所述第二训练等级的实际回报概率；
根据所述第一历史回报概率、所述第二历史回报概率、所述训练参数和所述实际回报概率，确定所述第一训练等级的预测回报概率。
8.一种训练装置，其特征在于，所述装置包括：
初始模块，用于根据受训者的个人参数，在预设的多个训练等级中确定所述受训者的初始训练等级；
训练模块，用于向所述受训者展示所述初始训练等级对应的第一训练课题，获取所述受训者对所述第一训练课题的反馈数据，根据所述反馈数据和所述个人参数，对所述受训者进行多次训练；
其中，在第i次训练中，所述训练模块用于：
根据训练数据Ai和所述个人参数，在候选训练等级池Bi中确定目标训练等级Ci，其中，当i＝1时，训练数据A1为所述第一训练课题的反馈数据，候选训练等级池B1为所述多个训练等级中除去所述初始训练等级后剩余的训练等级；
向所述受训者展示所述目标训练等级Ci对应的第二训练课题，获取所述受训者对所述第二训练课题的目标反馈数据Di；
将所述第二训练课题的目标反馈数据Di作为第i+1次训练的训练数据Ai+1，将所述目标训练等级Ci从所述候选训练等级池Bi中剔除得到候选训练等级池Bi+1，进行所述第i+1次训练，直至完成所述多次训练。
9.一种电子设备，其特征在于，包括处理器、存储器、通信接口以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述一个或多个程序包括用于执行权利要求1-7任一项所述的方法中的步骤的指令。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行以实现如权利要求1-7任一项所述的方法。
CN202410223247.3A 2024-02-28 2024-02-28 训练方法、装置、电子设备及存储介质 Active CN118280524B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410223247.3A CN118280524B (zh) 2024-02-28 2024-02-28 训练方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410223247.3A CN118280524B (zh) 2024-02-28 2024-02-28 训练方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN118280524A true CN118280524A (zh) 2024-07-02
CN118280524B CN118280524B (zh) 2025-06-24

Family

ID=91633069

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410223247.3A Active CN118280524B (zh) 2024-02-28 2024-02-28 训练方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN118280524B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118964977A (zh) * 2024-07-19 2024-11-15 深圳大学 多任务训练方法、装置、设备及存储介质
CN118964977B (zh) * 2024-07-19 2025-07-22 深圳大学 多任务训练方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020046202A1 (en) * 2000-08-31 2002-04-18 Kazuaki Honda Method and apparatus for recommending an optimum training to a trainee, and a computer product
US20170098385A1 (en) * 2014-05-21 2017-04-06 Akili Interactive Labs, Inc. Processor-Implemented Systems and Methods for Enhancing Cognitive Abilities by Personalizing Cognitive Training Regimens
CN109549643A (zh) * 2018-11-19 2019-04-02 浙江升腾生物科技有限公司 智力训练方法和智力训练仪
CN114139065A (zh) * 2022-02-07 2022-03-04 北京融信数联科技有限公司 基于大数据的人才筛选推荐方法、系统及可读存储介质
CN114530230A (zh) * 2021-12-31 2022-05-24 北京津发科技股份有限公司 基于虚拟现实技术的人员能力测试与反馈训练方法、装置、设备及存储介质
WO2023071505A1 (zh) * 2021-10-27 2023-05-04 北京有竹居网络技术有限公司 一种题目推荐方法、装置、计算机设备和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020046202A1 (en) * 2000-08-31 2002-04-18 Kazuaki Honda Method and apparatus for recommending an optimum training to a trainee, and a computer product
US20170098385A1 (en) * 2014-05-21 2017-04-06 Akili Interactive Labs, Inc. Processor-Implemented Systems and Methods for Enhancing Cognitive Abilities by Personalizing Cognitive Training Regimens
CN109549643A (zh) * 2018-11-19 2019-04-02 浙江升腾生物科技有限公司 智力训练方法和智力训练仪
WO2023071505A1 (zh) * 2021-10-27 2023-05-04 北京有竹居网络技术有限公司 一种题目推荐方法、装置、计算机设备和存储介质
CN114530230A (zh) * 2021-12-31 2022-05-24 北京津发科技股份有限公司 基于虚拟现实技术的人员能力测试与反馈训练方法、装置、设备及存储介质
CN114139065A (zh) * 2022-02-07 2022-03-04 北京融信数联科技有限公司 基于大数据的人才筛选推荐方法、系统及可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118964977A (zh) * 2024-07-19 2024-11-15 深圳大学 多任务训练方法、装置、设备及存储介质
CN118964977B (zh) * 2024-07-19 2025-07-22 深圳大学 多任务训练方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN118280524B (zh) 2025-06-24

Similar Documents

Publication Publication Date Title
Fox et al. Virtual self-modeling: The effects of vicarious reinforcement and identification on exercise behaviors
Nisbett Mindware: Tools for smart thinking
US6052512A (en) Migration mechanism for user data from one client computer system to another
US5957699A (en) Remote computer-assisted professionally supervised teaching system
Kodish et al. Drive yourself sane: Using the uncommon sense of general semantics
CN110675678A (zh) 一种在线答题竞赛的实现方法、实现系统及实现设备
JP4742280B2 (ja) シミュレーションシステム及びプログラム
Allan et al. Narrative as a learning tool for coaches of athletes with a disability: using stories to translate research into practice
CN115345670A (zh) 广告投放方法、装置、电子设备及存储介质
KR20150135584A (ko) 난이도별 문항을 제공하는 학습 시스템에서 학습자의 표준 평균 정답률과 표준 평균 풀이시간을 이용하여 난이도 갱신기능을 갖는 난이도별 문항 제공 학습시스템
Røed et al. A field assessment of child abuse investigators' engagement with a child-avatar to develop interviewing skills
CN109712480A (zh) 一种单词阅读记忆训练装置、数据处理方法及存储介质
Alsaleh et al. Mapping gamification mechanisms to user experience factors for designing user interfaces
Myers et al. Efficacy of the fun for wellness online intervention to promote well-being actions: A secondary data analysis
Duffy et al. Cognitive load in the multi-player prisoner's dilemma game
WO1999033041A2 (en) Remote computer-assisted compliance monitoring system
CN118280524A (zh) 训练方法、装置、电子设备及存储介质
CN118538363A (zh) 一种孤独症辅助康复系统及其使用方法
Xu et al. Towards modeling agent negotiators by analyzing human negotiation behavior
Dubin et al. The effects of prelinguistic milieu teaching implemented in classrooms for preschoolers with or at risk for autism spectrum disorder
US20230186734A1 (en) Systems, methods, and media for an electronic skill games platform
CN116741010A (zh) 基于虚拟现实的培训方法、装置、虚拟现实设备和存储介质
TWM566880U (zh) Cross-domain standardized patient rating system
Mechner Chess as a behavioral model for cognitive skill research: Review of blindfold chess by Eliot Hearst and John Knott
Schenke et al. Predictive person models elicit motor biases: The face-inhibition effect revisited

Legal Events

Date Code Title Description
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