本發(fā)明涉及學生專業(yè)推薦領域，特別一種基于gps評估數(shù)據(jù)學生專業(yè)定向方法及設備。

背景技術：

1、現(xiàn)有的高中生選擇專業(yè)，多為人工選擇，會存在考慮因素不全，憑借主觀判斷，導致專業(yè)選擇不準確的問題。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于gps評估數(shù)據(jù)學生專業(yè)定向方法及設備。

2、為解決上述問題，本發(fā)明提供一種基于gps評估數(shù)據(jù)學生專業(yè)定向方法及設備，包括：

3、采集模塊獲取學生的gps評估數(shù)據(jù)，其中，所示gps評估數(shù)據(jù)包括：學生的底層認知能力顯示分、個人軟技能顯示分和專業(yè)興趣顯示分；

4、處理模塊對采集到的學生的gps評估數(shù)據(jù)進行檢查、清洗，得到處理后的學生的gps評估數(shù)據(jù)；

5、專業(yè)類別匹配模型模塊基于輸入的處理后的學生的gps評估數(shù)據(jù)，得到學生對應的專業(yè)推薦信息。

6、進一步的，上述基于gps評估數(shù)據(jù)學生專業(yè)定向方法中，采集模塊獲取學生的底層認知能力顯示分，包括：

7、基于學生的底層認知能力的每個維度i的原始評估得分，通過irt的3pl模型算法，計算該學生底層認知能力的每個維度的最終能力估計值θ：

8、

9、其中，a為區(qū)分度，b為難度，c為猜測度，d為常數(shù)1.702；

10、基于學生底層認知能力的每個維度的最終能力估計值θ，通過正態(tài)分布poz表轉化，計算該學生的底層認知能力的每個維度的p，其中，θ對應poz表中的z；

11、通過公式(1-p)*100，四舍五入保留2位小數(shù)，計算該學生底層認知能力的每個維度的底層認知能力顯示分。

12、進一步的，上述基于gps評估數(shù)據(jù)學生專業(yè)定向方法中，采集模塊獲取學生的個人軟技能顯示分，包括：

13、基于學生個人軟技能的每個維度的原始評估得分，通過如下正態(tài)化標準分算法，計算學生個人軟技能的每個維度的標準分z：

14、

15、其中，x為學生個人軟技能的某個維度的原始評估得分，μ為學生所在常模群體的個人軟技能的某個維度的平均數(shù)，σ為學生所在常模群體的個人軟技能的某個維度標準差；

16、基于學生個人軟技能的每個維度的第一標準分z，通過正態(tài)分布poz表轉化，計算學生個人軟技能的每個維度的p；

17、通過公式(1-p)*100，四舍五入保留2位小數(shù)，計算學生個人軟技能的每個維度的個人軟技能顯示分。

18、進一步的，上述基于gps評估數(shù)據(jù)學生專業(yè)定向方法中，采集模塊獲取學生的專業(yè)興趣顯示分，包括：

19、基于學生專業(yè)興趣的每個維度的原始評估得分，通過如下正態(tài)化標準分算法，計算學生專業(yè)興趣的每個維度的第二標準分z：

20、

21、其中，x為學生專業(yè)興趣的某個維度的原始評估得分，μ為學生所在常模群體的專業(yè)興趣的某個維度的平均數(shù)，σ為學生所在常模群體的專業(yè)興趣的某個維度的標準差；

22、基于學生專業(yè)興趣的每個維度的第二標準分z，通過正態(tài)分布poz表轉化，計算學生專業(yè)興趣的每個維度的p；

23、通過公式(1-p)*100，四舍五入保留2位小數(shù)，計算專業(yè)興趣的每個維度的專業(yè)興趣顯示分。

24、進一步的，上述基于gps評估數(shù)據(jù)學生專業(yè)定向方法中，還包括：專業(yè)類別匹配模型模塊，通過如下方式構建專業(yè)類別匹配模型：

25、專業(yè)類別匹配模型模塊基于各項專業(yè)類別對應的底層認知能力顯示分和個人軟技能顯示分的平均分，對每一項專業(yè)類別，收集至少n名大學一年級新生在該專業(yè)類別的勝任力的評價顯示分，n＝一項專業(yè)類別中的勝任力維度的個數(shù)+1；

26、專業(yè)類別匹配模型模塊，基于每個學生各項專業(yè)類別的勝任力的評價顯示分，構建專業(yè)類別匹配模型，并通過大數(shù)據(jù)和機器學習算法，選擇專業(yè)類別匹配模型的最優(yōu)匹配模型。

27、進一步的，上述基于gps評估數(shù)據(jù)學生專業(yè)定向方法中，專業(yè)類別匹配模型模塊，基于每個學生各項專業(yè)類別的勝任力的評價顯示分，構建專業(yè)類別匹配模型，并通過大數(shù)據(jù)和機器學習算法，選擇專業(yè)類別匹配模型的最優(yōu)匹配模型，包括：

28、專業(yè)類別匹配模型模塊，對每一項專業(yè)類別，將至少n名(n＝一項專業(yè)類別中的勝任力維度的個數(shù)+1)大學一年級新生在該專業(yè)類別的勝任力的評價顯示分和該n名大學一年級新生在該專業(yè)類別上的興趣顯示分作為自變量；

29、專業(yè)類別匹配模型模塊，收集該n名學生在大學畢業(yè)時每一項專業(yè)類別的學業(yè)綜合成績作為因變量，將因變量視為學生是否適合學習該專業(yè)類別程度的度量，作為專業(yè)類別匹配依據(jù)；

30、專業(yè)類別匹配模型模塊，選用包括機器學習模型中的其中之一，對自變量和因變量的建立映射關系，應用機器學習并且采用交叉檢驗驗證模型的計算效果，從備選模型中選擇專業(yè)類別匹配模型的最優(yōu)匹配模型。

31、進一步的，上述基于gps評估數(shù)據(jù)學生專業(yè)定向方法中，所述備選模型，包括：

32、最小二乘回歸、廣義線性模型、套索回歸、嶺回歸和隨機森林。

33、進一步的，上述基于gps評估數(shù)據(jù)學生專業(yè)定向方法中，專業(yè)類別匹配模型模塊基于輸入的處理后的學生的屬性數(shù)據(jù)，得到學生對應的專業(yè)推薦信息，包括：

34、專業(yè)類別匹配模型模塊基于待檢測的學生在每一項專業(yè)類別的勝任力的評價顯示分，以及該學生在每一項專業(yè)類別上的興趣顯示分，對應預測該學生其未來每一項專業(yè)類別的學業(yè)綜合成績，即得到該學生在各項專業(yè)類別上的綜合匹配指數(shù)；

35、專業(yè)類別匹配模型模塊基于該學生在各項專業(yè)類別上的綜合匹配指數(shù)，得到學生對應的專業(yè)推薦信息。

36、進一步的，上述基于gps評估數(shù)據(jù)學生專業(yè)定向方法中，專業(yè)類別匹配模型模塊基于該學生在各項專業(yè)類別上的綜合匹配指數(shù)，得到學生對應的專業(yè)推薦信息，包括：

37、專業(yè)類別匹配模型模塊匯總學生在各項專業(yè)類別上的綜合匹配指數(shù)，并進行降序排名，其中，綜合匹配指數(shù)同分的情況下，按專業(yè)興趣分排名，再同分按專業(yè)勝任力排名；

38、專業(yè)類別匹配模型模塊取出綜合匹配指數(shù)排名前預設名的對應專業(yè)類別，作為學生的優(yōu)勢專業(yè)；

39、專業(yè)類別匹配模型模塊依據(jù)學生的優(yōu)勢專業(yè)，匹配相應的專業(yè)資源庫和職業(yè)資源庫，包括專業(yè)領域、相關專業(yè)大類及分支、實力強勁的大學和相關就業(yè)方向的信息。

40、根據(jù)本發(fā)明的另一方面，還提供一種計算機可讀存儲介質，其上存儲有計算機可執(zhí)行指令，其中，該計算機可執(zhí)行指令被處理器執(zhí)行時使得該處理器：執(zhí)行上述任一項所述的方法。

41、與現(xiàn)有技術相比，本發(fā)明通過采集模塊獲取學生的gps評估數(shù)據(jù)，其中，所示gps評估數(shù)據(jù)包括：學生的底層認知能力顯示分、個人軟技能顯示分和專業(yè)興趣顯示分；對采集到的學生的gps評估數(shù)據(jù)進行檢查、清洗，得到處理后的學生的gps評估數(shù)據(jù)；專業(yè)類別匹配模型模塊基于輸入的處理后的學生的gps評估數(shù)據(jù)，得到學生對應的專業(yè)推薦信息。本發(fā)明結合學生的底層認知能力、個人軟技能和專業(yè)興趣，訓練專業(yè)類別匹配模型，可以更準確高效的為學生提供專業(yè)推薦信息，幫助學生如高中生定位未來大學專業(yè)、未來職業(yè)方向。