一种人工智能机器学习实验技能评分方法及系统

1.本发明涉及人工智能技术领域，具体而言，涉及一种人工智能机器学习实验技能评分方法及系统。


背景技术：

2.实验是检验学生对理论知识的掌握水平的一种重要的教学手段，有助于学生和老师了解其对应的实验能力。现有的实验技能评分方法一般都是通过单科老师对学生的实验操作进行现场评分，由于学生与老师数量上的不匹配和实验过程的复杂情况，导致评分老师的工作量很大，且无法细致全面的对每一位学生的实验技能进行客观高效的评估，进而导致学生和老师都无法精准的掌握对应学生的实验技能能力情况。


技术实现要素：

3.为了克服上述问题或者至少部分地解决上述问题，本发明实施例提供一种人工智能机器学习实验技能评分方法及系统，可对学生的实验技能进行高效客观精准的评估，提高了评估精度和评估效率。
4.本发明的实施例是这样实现的：
5.第一方面，本发明实施例提供一种人工智能机器学习实验技能评分方法，包括以下步骤：
6.获取并根据实验人员信息和实验环境信息构建基础管理框架；
7.获取并根据历史实验技能评分数据和预设的基础评估指标对预置的初始评估模型进行训练，以构建目标实验技能评估模型；
8.根据基础评估指标基于基础管理框架获取并将对应目标人员的实验数据导入至目标实验技能评估模型中，生成各个目标人员的评估信息；
9.将目标人员的实验数据中的实验科目与预置的科目评分标准数据库进行匹配，以得到对应目标人员的实验科目的评分标准数据；
10.根据各个目标人员的评估信息和对应目标人员的实验科目的评分标准数据生成对应目标人员的实验技能评分结果。
11.为了解决现有技术中无法细致全面的对每一位学生的实验技能进行客观高效的评估，进而导致学生和老师都无法精准的掌握对应学生的实验技能能力情况的技术问题，本发明首先从人员和实验环境等方面构建针对性的管理框架，为后续数据的获取或管理提供精准支撑；然后结合全面的评估指标和历史的评分数据进行模型训练，以构建一个全面且精准的实验技能评估模型，以便后续进行快速且精准的评估；再结合不同实验科目的不同的参考评分标准对目标人员的实验技能进行全面精准的评估。本发明基于人工智能机器学习对人员的实验技能进行精准评估，大大减少了人工成本，同时也保证了评估精度和评估效率。
12.基于第一方面，在本发明的一些实施例中，上述获取并根据实验人员信息和实验
环境信息构建基础管理框架的方法包括以下步骤：
13.获取实验人员信息和实验环境信息；
14.提取并根据实验人员信息中的人员身份、人员特征和人员数量构建初始人员管理框架；
15.提取并将实验环境信息中的实验科目和实验场景导入至初始人员管理框架中的各个节点中，以构建基础管理框架。
16.基于第一方面，在本发明的一些实施例中，上述基础评估指标包括实验理论评估指标、实验观察评估指标和实验操作评估指标。
17.基于第一方面，在本发明的一些实施例中，上述根据基础评估指标基于基础管理框架获取并将对应目标人员的实验数据导入至目标实验技能评估模型中，生成各个目标人员的评估信息的方法包括以下步骤：
18.根据实验理论评估指标、实验观察评估指标和实验操作评估指标基于基础管理框架中的各个人员管理节点获取对应目标人员的实验理论学习数据、实验观察数据和实验操作数据；
19.分别将各个目标人员的实验理论学习数据、实验观察数据和实验操作数据导入至目标实验技能评估模型中，生成各个目标人员的理论评估信息、观察评估信息和操作评估信息。
20.基于第一方面，在本发明的一些实施例中，该人工智能机器学习实验技能评分方法还包括以下步骤：
21.获取并根据历史实验课时数据对目标实验技能评估模型进行更新训练，以得到目标实验技能评估优化模型；
22.基于基础管理框架中各个人员管理节点获取并将对应目标人员的实验课时数据导入至目标实验技能评估优化模型中，生成对应目标人员的课时学习评估信息；
23.根据对应目标人员的课时学习评估信息对实验技能评分结果进行优化调整，生成目标实验技能评分结果。
24.基于第一方面，在本发明的一些实施例中，该人工智能机器学习实验技能评分方法还包括以下步骤：
25.基于基础管理框架获取并根据各个目标人员对应的评分老师的学生实验技能评分数据对实验技能评分结果进行优化调整，生成实验技能评分优化结果。
26.基于第一方面，在本发明的一些实施例中，该人工智能机器学习实验技能评分方法还包括以下步骤：
27.基于基础管理框架统计并将各个目标人员的实验技能评分结果按照预置的排布模板生成评分统计报表。
28.第二方面，本发明实施例提供一种人工智能机器学习实验技能评分系统，包括框架构建模块、模型建立模块、评估模块、标准匹配模块以及技能评分模块，其中：
29.框架构建模块，用于获取并根据实验人员信息和实验环境信息构建基础管理框架；
30.模型建立模块，用于获取并根据历史实验技能评分数据和预设的基础评估指标对预置的初始评估模型进行训练，以构建目标实验技能评估模型；
31.评估模块，用于根据基础评估指标基于基础管理框架获取并将对应目标人员的实验数据导入至目标实验技能评估模型中，生成各个目标人员的评估信息；
32.标准匹配模块，用于将目标人员的实验数据中的实验科目与预置的科目评分标准数据库进行匹配，以得到对应目标人员的实验科目的评分标准数据；
33.技能评分模块，用于根据各个目标人员的评估信息和对应目标人员的实验科目的评分标准数据生成对应目标人员的实验技能评分结果。
34.为了解决现有技术中无法细致全面的对每一位学生的实验技能进行客观高效的评估，进而导致学生和老师都无法精准的掌握对应学生的实验技能能力情况的技术问题，本系统通过框架构建模块、模型建立模块、评估模块、标准匹配模块以及技能评分模块等多个模块的配合，首先从人员和实验环境等方面构建针对性的管理框架，为后续数据的获取或管理提供精准支撑；然后结合全面的评估指标和历史的评分数据进行模型训练，以构建一个全面且精准的实验技能评估模型，以便后续进行快速且精准的评估；再结合不同实验科目的不同的参考评分标准对目标人员的实验技能进行全面精准的评估。本发明基于人工智能机器学习对人员的实验技能进行精准评估，大大减少了人工成本，同时也保证了评估精度和评估效率。
35.第三方面，本技术实施例提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器。当一个或多个程序被处理器执行时，实现如上述第一方面中任一项的方法。
36.第四方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项的方法。
37.本发明实施例至少具有如下优点或有益效果：
38.本发明实施例提供一种人工智能机器学习实验技能评分方法及系统，解决了现有技术中无法细致全面的对每一位学生的实验技能进行客观高效的评估，进而导致学生和老师都无法精准的掌握对应学生的实验技能能力情况的技术问题，本发明首先从人员和实验环境等方面构建针对性的管理框架，为后续数据的获取或管理提供精准支撑；然后结合全面的评估指标和历史的评分数据进行模型训练，以构建一个全面且精准的实验技能评估模型，以便后续进行快速且精准的评估；再结合不同实验科目的不同的参考评分标准对目标人员的实验技能进行全面精准的评估。本发明基于人工智能机器学习对人员的实验技能进行精准评估，大大减少了人工成本，同时也保证了评估精度和评估效率。
附图说明
39.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
40.图1为本发明实施例一种人工智能机器学习实验技能评分方法的流程图；
41.图2为本发明实施例一种人工智能机器学习实验技能评分方法中基础管理架构构建的流程图；
42.图3为本发明实施例一种人工智能机器学习实验技能评分方法中对评分结果进行优化的流程图；
43.图4为本发明实施例一种人工智能机器学习实验技能评分系统的原理框图；
44.图5为本发明实施例提供的一种电子设备的结构框图。
45.附图标记说明：100、框架构建模块；200、模型建立模块；300、评估模块；400、标准匹配模块；500、技能评分模块；101、存储器；102、处理器；103、通信接口。
具体实施方式
46.为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
47.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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他实施例，都属于本发明保护的范围。
48.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
49.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”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。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
50.实施例：
51.如图1-图2所示，第一方面，本发明实施例提供一种人工智能机器学习实验技能评分方法，包括以下步骤：
52.s1、获取并根据实验人员信息和实验环境信息构建基础管理框架；
53.进一步地，上述构建基础管理框架的步骤包括：
54.s11、获取实验人员信息和实验环境信息；
55.s12、提取并根据实验人员信息中的人员身份、人员特征和人员数量构建初始人员管理框架；
56.s13、提取并将实验环境信息中的实验科目和实验场景导入至初始人员管理框架中的各个节点中，以构建基础管理框架。
57.在本发明的一些实施例中，为了提高对后续实验人员的管理效果，进行针对性的管理，结合对应的实验人员信息人员身份、人员特征和人员数量以及实验环境信息中的实验科目和实验场景等多方面的数据构建一个基础管理框架，该基础管理框架包括多个人员管理节点以及对应节点的特征数据，该特征数据包括人员标识、实验科目标识等。
58.s2、获取并根据历史实验技能评分数据和预设的基础评估指标对预置的初始评估模型进行训练，以构建目标实验技能评估模型；上述基础评估指标包括实验理论评估指标、
实验观察评估指标和实验操作评估指标。上述目标实验技能评估模型是指基于历史数据进行学习训练，可基于实验数据对人员的实验能力进行评估的数学模型。
59.s3、根据基础评估指标基于基础管理框架获取并将对应目标人员的实验数据导入至目标实验技能评估模型中，生成各个目标人员的评估信息；
60.进一步地，根据实验理论评估指标、实验观察评估指标和实验操作评估指标基于基础管理框架中的各个人员管理节点获取对应目标人员的实验理论学习数据、实验观察数据和实验操作数据；分别将各个目标人员的实验理论学习数据、实验观察数据和实验操作数据导入至目标实验技能评估模型中，生成各个目标人员的理论评估信息、观察评估信息和操作评估信息。
61.在本发明的一些实施例中，通过目标实验技能评估模型从理论、观察以及操作等多个层次的评估指标全面的对目标人员的实验能力进行评估，大大提高了评估的全面性，同时通过目标实验技能评估模型进行评估，避免了人为评估的主观性，大大提高了评估的客观性，进而保证评估结果的准确性。
62.s4、将目标人员的实验数据中的实验科目与预置的科目评分标准数据库进行匹配，以得到对应目标人员的实验科目的评分标准数据；该评分标准数据包括评分内容、评分科目类别以及各个评分内容对应的评估分值等。
63.s5、根据各个目标人员的评估信息和对应目标人员的实验科目的评分标准数据生成对应目标人员的实验技能评分结果。根据评估信息中的各个实验科目对应的多个层次的评估信息结合对应的评分标准对目标人员的最终实验技能进行评分，大大提高了评分的全面性。上述实验技能评分结果包括实验人员、实验科目、评分内容、评分等。
64.为了解决现有技术中无法细致全面的对每一位学生的实验技能进行客观高效的评估，进而导致学生和老师都无法精准的掌握对应学生的实验技能能力情况的技术问题，本发明首先从人员和实验环境等方面构建针对性的管理框架，为后续数据的获取或管理提供精准支撑；然后结合全面的评估指标和历史的评分数据进行模型训练，以构建一个全面且精准的实验技能评估模型，以便后续进行快速且精准的评估；再结合不同实验科目的不同的参考评分标准对目标人员的实验技能进行全面精准的评估。本发明基于人工智能机器学习对人员的实验技能进行精准评估，大大减少了人工成本，同时也保证了评估精度和评估效率。
65.如图3所示，基于第一方面，在本发明的一些实施例中，该人工智能机器学习实验技能评分方法还包括以下步骤：
66.a1、获取并根据历史实验课时数据对目标实验技能评估模型进行更新训练，以得到目标实验技能评估优化模型；上述历史实验课时数据包括实验科目及其对应的课时安排数据。
67.a2、基于基础管理框架中各个人员管理节点获取并将对应目标人员的实验课时数据导入至目标实验技能评估优化模型中，生成对应目标人员的课时学习评估信息；
68.a3、根据对应目标人员的课时学习评估信息对实验技能评分结果进行优化调整，生成目标实验技能评分结果。
69.为了保证对实验人员的实验技能进行更为合理更为全面的评估，加入课时评估指标，并结合历史的数据对目标实验技能评估模型进行训练，以得到一个更为全面的目标实
验技能评估优化模型，然后基于该目标实验技能评估优化模型结合对应人员的课时数据进行分析，以得到更为精准更为全面的评分结果。
70.基于第一方面，在本发明的一些实施例中，该人工智能机器学习实验技能评分方法还包括以下步骤：
71.基于基础管理框架获取并根据各个目标人员对应的评分老师的学生实验技能评分数据对实验技能评分结果进行优化调整，生成实验技能评分优化结果。
72.为了进一步提高对人员的实验技能评分的合理性以及全面性，结合对应的评分老师的人为评分数据对实验技能评分结果进行优化调整，进而得到一个更为全面的评分优化结果。
73.基于第一方面，在本发明的一些实施例中，该人工智能机器学习实验技能评分方法还包括以下步骤：
74.基于基础管理框架统计并将各个目标人员的实验技能评分结果按照预置的排布模板生成评分统计报表。
75.为了进一步提高对实验人员的管理效率，基于基础管理框架中的各个人员管理节点将各个目标人员的实验技能评分结果进行统计，以得到统计结果，为了进一步方便查看，提高管理效率，按照预置的排布模板对统计结果进行排版，进而得到一个清楚全面的评分统计报表。
76.如图4所示，第二方面，本发明实施例提供一种人工智能机器学习实验技能评分系统，包括框架构建模块100、模型建立模块200、评估模块300、标准匹配模块400以及技能评分模块500，其中：
77.框架构建模块100，用于获取并根据实验人员信息和实验环境信息构建基础管理框架；
78.模型建立模块200，用于获取并根据历史实验技能评分数据和预设的基础评估指标对预置的初始评估模型进行训练，以构建目标实验技能评估模型；
79.评估模块300，用于根据基础评估指标基于基础管理框架获取并将对应目标人员的实验数据导入至目标实验技能评估模型中，生成各个目标人员的评估信息；
80.标准匹配模块400，用于将目标人员的实验数据中的实验科目与预置的科目评分标准数据库进行匹配，以得到对应目标人员的实验科目的评分标准数据；
81.技能评分模块500，用于根据各个目标人员的评估信息和对应目标人员的实验科目的评分标准数据生成对应目标人员的实验技能评分结果。
82.为了解决现有技术中无法细致全面的对每一位学生的实验技能进行客观高效的评估，进而导致学生和老师都无法精准的掌握对应学生的实验技能能力情况的技术问题，本系统通过框架构建模块100、模型建立模块200、评估模块300、标准匹配模块400以及技能评分模块500等多个模块的配合，首先从人员和实验环境等方面构建针对性的管理框架，为后续数据的获取或管理提供精准支撑；然后结合全面的评估指标和历史的评分数据进行模型训练，以构建一个全面且精准的实验技能评估模型，以便后续进行快速且精准的评估；再结合不同实验科目的不同的参考评分标准对目标人员的实验技能进行全面精准的评估。本发明基于人工智能机器学习对人员的实验技能进行精准评估，大大减少了人工成本，同时也保证了评估精度和评估效率。
83.如图5所示，第三方面，本技术实施例提供一种电子设备，其包括存储器101，用于存储一个或多个程序；处理器102。当一个或多个程序被处理器102执行时，实现如上述第一方面中任一项的方法。
84.还包括通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
85.其中，存储器101可以是但不限于，随机存取存储器(random access memory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read-only memory，prom)，可擦除只读存储器(erasable programmable read-only memory，eprom)，电可擦除只读存储器(electric erasable programmable read-only memory，eeprom)等。
86.处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processing，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
87.在本技术所提供的实施例中，应该理解到，所揭露的方法及系统和方法，也可以通过其它的方式实现。以上所描述的方法及系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的方法及系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
88.另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
89.第四方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器102执行时实现如上述第一方面中任一项的方法。所述功能如果以软件功能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介质中。基于这样的理解，本技术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介质中，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)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
90.以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。
91.对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其它的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。