【技术实现步骤摘要】
一种基于学生能力画像的工作内推方法
[0001]本专利技术涉及信息
,尤其涉及一种基于学生能力画像的工作内推方法。
技术介绍
[0002]近年来,实现高校人才招聘的人岗匹配成为了许多学者深入探讨的问题。人岗匹配是一个双向动态的过程,当前,市场上关于高校人才招聘的人岗匹配系统或方法不能从多个维度评估学生的综合能力,难以帮助学生找到合适的工作。例如,学校内部有许多实验室,经过训练后,有些学生通过考试同时拿到证书,有些则没有通过考试,也没有拿到证书。通常情况下,获得同种学历与相同证书的学生数量较多,难以对每一位学生的能力进行精确的判断。另外学生对工作的底薪要求也不同,若不能综合多个方面的考虑,则有可能导致高岗低能,高能低岗等问题。一方面学生对自己能力不能进行有效地认知,同时难以帮企业找到合适的人才。若不能很好地解决人岗匹配问题,将会给学生带来了强大的就业竞争压力,同时也增加了企业人力资源成本。
技术实现思路
[0003]本专利技术提供了一种基于学生能力画像的工作内推方法,主要包括:
[0004]获取学生基础数据,提取能力评价指标数据;根据能力评价指标数据判断是否获得证书并进行差异化标注;根据能力评价指标数据构建能力评价模型;根据能力评价模型与课程学习数据分析相同能力学生的学习能力;根据学生学习能力调整能力评价模型;基于能力评价模型与求职意向,构建匹配模型;基于能力偏差,推荐个性化课程;
[0005]进一步可选地,所述获取学生基础数据,提取能力评价指标数据包括:
[0 ...
【技术保护点】
【技术特征摘要】
1.一种基于学生能力画像的工作内推方法,其特征在于,所述方法包括:获取学生基础数据,提取能力评价指标数据;根据能力评价指标数据判断是否获得证书并进行差异化标注;根据能力评价指标数据构建能力评价模型;根据能力评价模型与课程学习数据分析相同能力学生的学习能力,所述根据能力评价模型与课程学习数据分析相同能力学生的学习能力,具体包括:基于课程学习数据,分析学习投入度,基于学习步骤,分析学习意愿,基于错题分析学生潜在问题;对获得相同能力证书的学生,根据所述学生学习能力调整能力评价模型;基于能力评价模型与求职意向,构建匹配模型;基于能力偏差,推荐个性化课程。2.根据权利要求1所述的方法,其中,所述获取学生基础数据,提取能力评价指标数据,包括:学生基础数据包括学历数据、所获证书数据和线上课程学习数据;其中,所述学历数据与所述所获证书数据通过学校教务管理系统获得;所述线上课程学习数据通过学校网络课程平台获得;根据所述学生基础数据进行数据预处理,对数据进行分类并提取所述能力评价指标数据,即index={学历,所获证书,课程学习},其中index表示能力评价指标;采集的数据利用ETL(Extract
‑
Transform
‑
Load)方式进行数据清洗,删除缺失数据、重复数据与错误数据。3.根据权利要求1所述的方法,其中,所述根据能力评价指标数据判断是否获得证书并进行差异化标注,包括:首先构建证书列表,所述证书列表是指记录所有证书类型的列表;所述能力评价指标数据与所述证书列表的数据进行对比分析,筛选出获得证书与没有获得证书的同学,并对证书获得信息进行差异化标注,最终将结果记录在证书等级状态列表。4.根据权利要求1所述的方法,其中,所述根据能力评价指标数据构建能力评价模型,包括:根据所述能力评价指标数据构建线性能力评价模型,即M=(E+S)
×
W,M表示学生能力,E表示学历,其中0表示专科学历,1表示本科学历,2表示硕士研究生学历,3表示硕士研究生学历以上,S表示课程成绩总和,W表示证书等级权重,所述证书等级权重从所述证书等级状态列表获取;通过所述线性能力评价模型评估学生能力,若M值越大,则表示该学生的能力越强。5.根据权利要求1所述的方法,其中,所述根据能力评价模型与课程学习数据分析相同能力学生的学习能力,包括:课程学习数据包括所学课程,课程签到次数,课程学习时长,作业提交次数,学习步骤记录,互动记录,错题记录和课程成绩;若经过所述能力评价模型分析计算得出多个学生的能力出现相同时,则进一步分析学生的学习能力,其中,所述学生的学习能力的判断指标包括课程成绩,学习投入度与学习意愿;首先建立学生学习能力评价体系,即K=(C+E+T)/3,其中K表示所述学生的学习能力,C表示课程成绩特征,若所述课程成绩高于整体平均成绩,则C=1,否则C=0;E表示学习投入度特征,若所述学习投入度高于整体平均学习投入度,则E=1,否则E=0;T表示学习意愿值;根据BP(Back
‑
Propagation)神经网络分析预测所述学生的学习能力;根据所述课程学习数据确定训练样本与测试样本,所述训练样本用于神经网络训练,所述测试样本用于检测实际值与预测值的相对误差;包括:基于课程学习数据,
分析学习投入度;基于学习步骤,分析学习意愿;基于错题分析学生潜在问题;所述基于课程学习数据,分析学习投入度,具体包括:所述学习投入度包括所述课程学习时长分析与学习行为分析,根据所述课堂签到次数与所述作业完成次数计算分析所述学习行为,建立所述学习投入度模型,即E=W1
×
L+W2
×
S+W3
×
H,其中E表示投入度,W1,W2,W3表示不同的权重,并且W1+W2+W3=1,L表示一位学生平均学习时长,S表示一位学生平均签到次数,H表示一位学生作业完成次数;计算所有...
【专利技术属性】
技术研发人员:张良均,杨惠,张奥多,周龙,周东平,刘晓玲,郭信佑,李振林,
申请(专利权)人:广东泰迪智能科技股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。