学习管理系统成熟度评估方法、装置及电子设备与流程

1.本发明涉及计算机领域，特别涉及一种学习管理系统成熟度评估方法、装置及电子设备。


背景技术：

2.lms(learning management system，学习管理系统)在企业文化发展以及企业进行数字化转型的过程中有着十分重要的作用，因此，建立一种能够相对合理和准确地评价当前lms的方法和模型，帮助或指导企业的lms建设显得十分有价值。
3.目前，对于lms系统的评价主要是对于lms成熟度的评价，往往是通过一些常用指标的汇总统计，比如指标的平均、方差等，这样对于lms成熟度的评价方法，对欠缺全面性和系统性，因此对lms的评价和发展作用也有限。


技术实现要素：

4.为解决上述技术问题，本发明提供了一种学习管理系统的成熟度评估方法、装置及电子设备，具体方案如下：
5.第一方面，提供一种学习管理系统成熟度评估方法，所述方法包括：确定用于评估学习管理系统的成熟度的样本集，其中所述样本集中的样本为每一用于评价所述学习管理系统的评价主体在评价周期内对于所述学习管理系统的使用数据进行特征处理后的特征值集；根据所述样本集的维度所包含的特征的特征值确定所述维度的维度分值；根据所述样本对于每一个分类的隶属度确定每一所述分类对应的目标评价主体；根据所述目标评价主体所对应的目标维度分值确定每一所述分类对应的分类分值；根据所述分类分值以及所述隶属度确定所述样本对于所述学习管理系统的成熟度的评估值。
6.在一个较佳的实施方式中，所述根据所述样本集的维度所包含的特征的特征值确定所述维度的维度分值包括：根据所述样本集在所述评价周期内的特征值排序确定每一所述特征的最大特征值以及最小特征值；根据所述最大特征值以及所述最小特征值按所述评价周期对所述样本集中的所述特征值做归一化处理得到归一化样本集；确定每一所述特征的目标特征权重值，所述目标特征权重值为所述特征对所述隶属度的贡献度；根据所述归一化样本集以及所述目标特征权重值确定得到归一权重化样本集；根据所述维度所包含的特征以及所述归一权重化样本集确定初始维度分值；对所述初始维度分值进行缩放得到所述维度分值。
7.在一个较佳的实施方式中，所述确定每一所述特征的目标特征权重值包括：根据所述样本对于不同所述分类的所述隶属度构建隶属度矩阵；根据不同所述样本对于同一所述分类的所述隶属度确定分类中心模型；根据所述特征值相对于各分类中心的方差之和确定每一所述特征的特征权重值模型；根据所述隶属度矩阵，所述分类中心模型以及所述特征权重值模型构建计算模型；根据从样本集确定的用于对计算模型训练学习的训练数据对所述计算模型训练直至所述计算模型的计算结果小于收敛阈值，并将对应的特征权重值作
为所述目标特征权重。
8.在一个较佳的实施方式中，对所述初始维度分值进行缩放得到所述维度分值包括：将所述初始维度分值按照大小进行排序得到每一所述维度的最大初始维度分值以及最小初始维度分值；根据所述初始维度分值，所述最大初始维度分值，所述最小初始维度分值以及缩放量确定所述维度分值。
9.在一个较佳的实施方式中，所述根据所述样本对于每一个分类的隶属度确定每一所述分类对应的目标评价主体包括：将所述样本按照隶属度从大到小进行排序得到样本排序；根据所述样本与所述评价主体的对应关系以及所述样本排序将所述评价主体进行排序得到前m个所述评价主体作为所述目标评价主体。
10.在一个较佳的实施方式中，所述根据所述目标评价主体所对应的目标维度分值确定每一所述分类对应的分类分值包括：根据同一所述维度对应的不同所述目标评价主体的所述目标维度分值确定不同所述分类对于每一所述维度的平均维度分值；根据所述平均维度分值，预设维度排序以及预设分类排序方法得到分类排序名次；根据所述分类排序名次，缩放量以及所述分类的种类数确定每一所述分类的分类分值。
11.在一个较佳的实施方式中，所述根据所述分类分值以及所述隶属度确定所述样本对于所述学习管理系统成熟度的评估值包括：确定所述样本对于所述分类的隶属度与所述分类分值的乘积值；将所有所述分类对应的所述乘积值之和作为所述评估值。
12.在一个较佳的实施方式中，所述确定用于评估学习管理系统的成熟度的样本集还包括：按照所述维度的影响因素统计所述评价主体在所述评价周期内的所述使用数据得到初始数据集；对所述初始数据集进行特征化处理从而得到所述样本集。
13.第二方面，提供一种学习管理系统成熟度评估装置，所述装置包括：样本集确定模块，用于评估学习管理系统的成熟度的样本集，其中所述样本集中的样本为每一用于评价所述学习管理系统的评价主体在评价周期内对于所述学习管理系统的使用数据进行特征处理后的特征值集；维度分值确定模块，用于根据所述样本集的维度所包含的特征的特征值确定所述维度的维度分值；目标评价主体确定模块，用于根据所述样本对于每一个分类的隶属度确定每一所述分类对应的目标评价主体；分类分值确定模块，用于根据所述目标评价主体所对应的目标维度分值确定每一所述分类对应的分类分值；成熟度评估模块，用于根据所述分类分值以及所述隶属度确定所述样本对于所述学习管理系统的成熟度的评估值。
14.第三方面，提供一种电子设备，包括：
15.一个或多个处理器；以及
16.与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令，所述程序指令在被所述一个或多个处理器读取执行时，执行如如前所述的任一方法。
17.在本发明中，样本为每一用于评价学习管理系统的评价主体在评价周期内对于lms的使用数据进行特征处理后的特征值集，也即是在本发明中所用到的样本是通过评价主体的使用数据生成的，比较全面反映出对于lms的影响因素，而后根据样本中的特征值以及样本维度数确定维度分值，确定维度评价体系，根据样本对于每一个分类的隶属度确定用于确定每一分类对应的目标评价主体，根据目标评价主体所对应的目标维度分值确定每一分类对应的分类分值，根据分类分值以及隶属度确定样本对于学习管理系统成熟度的评
估值，从而使得最终得到的成熟度的评估值既相对全面又具准确性和合理性。
附图说明
18.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。
19.图1为本发明实施例中学习管理系统成熟度评估方法的流程图；
20.图2为本发明实施例中学习管理系统成熟度评估装置的示意图；
21.图3为本发明实施例中电子设备的架构图。
具体实施方式
22.为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
23.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本发明。本文所使用的术语“或/及”包括一个或多个相关的所列项目的任意的和所有的组合。
24.如图1所示，本发明提供了一种学习管理系统成熟度评估方法，该方法包括：
25.s101、确定用于评估学习管理系统的成熟度的样本集，其中样本集中的样本为每一用于评价学习管理系统的评价主体在评价周期内对于学习管理系统的使用数据进行特征处理后的特征值集。
26.在本步骤中，用于对学习管理系统(以下简称为lms)评价的评价主体为使用学习管理系统的主体，可以为公司，或者学校等单位；评价周期可以为自然月；使用数据为评价主体的使用人员在lms中操作时所产生的数据。在本步骤中，使用数据在成为样本之前，需要进行特征处理，之后形成特征以及特征对应的特征值，样本即为特征值集，每一个样本对应的是每一评价主体在每一评价周期内的使用数据，如表1所示，为一个示例中，样本中所包含的特征：
27.表1
[0028][0029][0030]
在表1中，样本包括用户人数、运行年限等27个特征，并且对每一个特征进行了定义，样本中包括这27个特征对应的特征值。
[0031]
s102、根据样本集的维度所包含的特征的特征值确定维度的维度分值。
[0032]
在本步骤中，再次参考表1，表1中的每个特征对应于一个维度，样本所对应的有平台规模、数字资产、平台管理、平台运营、平台内容等五个方面的维度，每一个维度所包含的特征是不同的，根据样本集的维度所包含的特征的特征值确定维度的维度分值，示例性的，表2中包括27个特征，5个维度，对于平台规模这一维度，根据对应的用户人数，运行年限这两个特征的特征值确定维度分值。
[0033]
s103、根据样本对于每一个分类的隶属度确定用于确定每一分类对应的目标评价主体。
[0034]
在本步骤中，在确定样本之后需要对样本进行聚类，根据聚类结果确定样本对于每一个分类的隶属度，比如，聚类结果包括a，b，c三个分类，某个样本的聚类结果为(0.6，0.3，0.1)，也就是样本属于a类的隶属度为0.6，样本属于b类的隶属度为0.3，样本属于c类的隶属度为0.1。在确定所有样本对于每一个分类的隶属度之后即可确定每一分类对应的目标评价主体，具体的，可以对按照隶属度对样本从小到大排序，由于每一个样本对应一个评价主体，因此，可以根据样本的排序确定每一个分类所对应的目标评价主体。
[0035]
s104、根据目标评价主体所对应的目标维度分值确定每一分类对应的分类分值。
[0036]
在本步骤中，目标评价主体确定之后，目标评价主体所对应的目标样本即可确定，根据s103步骤确定目标维度分值，并且根据目标维度分值确定每一分类的分类分值，示例性的，a类在确定目标评价主体后，可知目标评价主体对应的样本为x1，x2，x3，那么根据s102步骤确定三个样本在的目标维度分值，而后根据这三个目标维度分值确定a类对应的分类分值，依此类推计算b类以及c类对应的分类分值。
[0037]
s105、根据分类分值以及隶属度确定样本对于学习管理系统成熟度的评估值。
[0038]
在本步骤中，在确定分类分值后，根据分类分值以及隶属度确定lms成熟度的评估值，表示某一评价主体在某一评价周期对于成熟度的评估值，从而反映出lms的成熟度。
[0039]
在本发明中，样本为每一用于评价学习管理系统的评价主体在评价周期内对于lms的使用数据进行特征处理后的特征值集，也即是在本发明中所用到的样本是通过评价主体的使用数据生成的，比较全面反映出对于lms的影响因素，而后根据样本中的特征值以及样本维度数确定维度分值，确定维度评价体系，根据样本对于每一个分类的隶属度确定用于确定每一分类对应的目标评价主体，根据目标评价主体所对应的目标维度分值确定每一分类对应的分类分值，根据分类分值以及隶属度确定样本对于学习管理系统成熟度的评估值，从而使得最终得到的成熟度的评估值既相对全面又具准确性和合理性。
[0040]
在一个较佳的实施方式中，s102、根据样本集的维度所包含的特征的特征值确定维度的维度分值包括：
[0041]
s1021、根据样本集在评价周期内的特征值排序确定每一特征的最大特征值以及最小特征值；
[0042]
s1022、根据最大特征值以及最小特征值按评价周期对样本集中的特征值做归一化处理得到归一化样本集；
[0043]
s1023、确定每一特征的目标特征权重值，目标特征权重值为特征对隶属度的贡献度；
[0044]
s1024、根据归一化样本集以及目标特征权重值确定得到归一权重化样本集；
[0045]
s1025、根据维度所包含的特征以及归一权重化样本集确定初始维度分值；
[0046]
s1026、对初始维度分值进行缩放得到维度分值。
[0047]
在本实施例中，在构建维度评价体系的过程中，先要构建特征评价体系，样本集为xn×
d(其中，n表示样本数，d表示特征数)，在s1021步骤中，按评价周期统计样本集中每个特征的特征值确定基准特征值(x
standard
)，最大特征值(x
max
)以及最小特征值(x
min
)，具体定义如下：
[0048]
设评价主体的数量为n，将评价主体在每个评价周期对应的某一特征的特征值降序排列形成序列a，则有：
[0049]
x
standard
＝ah
，
h＝[0.4n](对于0.4n的结果取整数)；
[0050][0051]
x
min
＝an，x
max
＝a1；
[0052]
在s1022步骤中，在确定最大特征值以及最小特征值之后，根据最大特征值以及最小特征值按照评价周期对特征值做归一化处理得到归一化样本集(x
normalization
)，具体的方法为：
[0053][0054]
在s1023步骤中，目标特征权重值为特征对隶属度的贡献度，示例性的，如表1中，若对应的分类为a类、b类以及c类，某一样本的对于a类的隶属度为0.6，那么目标特征权重为上述27个特征对于这一隶属度的贡献度。
[0055]
在s 1024步骤中，根据归一化特征值以及特征权重确定得到归一权重化样本集(x
weighted
)，具体方法为：
[0056]
x
weighted
＝wfx
normalization
；
[0057]
其中，wf为对角阵，其中w
t
为第1个特征权重值，其中，表示矩阵第l行第l列即对角向上的元素。
[0058]
在s 1025步骤中，根据维度所包含的特征以及归一权重化样本集确定初始维度分值(dscore)，具体方法为：
[0059][0060]
其中，d
dimension
表示的是该维度所包含的特征数，表示x
weighted
中第1个特征。
[0061]
在步骤s1026中，对初始维度分值进行缩放得到维度分值，是为了将维度分值的大小缩放到合适区间内从而得到维度分值。
[0062]
在本实施例中，根据样本集在评价周期内的特征值排序确定每一特征的最大特征值以及最小特征值建立特征评价体系，反应lms详细的使用情况以及水平，并且确定维度的维度分值从而建立维度评价体系，反应lms各个维度的发展水平。
[0063]
在一个较佳的实施方式中，s1023、确定每一特征的目标特征权重值包括：
[0064]
s10231、根据样本对于不同分类的隶属度构建隶属度矩阵；
[0065]
s10232、根据不同样本对于同一分类的隶属度确定分类中心模型；
[0066]
s10233、根据特征值相对于各分类中心的方差之和确定每一特征的特征权重值模型；
[0067]
s10234、根据隶属度矩阵，分类中心模型以及特征权重值模型构建计算模型；
[0068]
s10235、根据样本集确定的用于对计算模型训练学习的训练数据对计算模型训练直至计算模型的计算结果小于收敛阈值，并将对应的特征权重值作为目标特征权重。
[0069]
在本实施例中，在s10231步骤中对于样本集x，设分类数目为c(2≤c≤n)，隶属度因子s(s可以为2)，隶属度矩阵u为uc×n＝[u
k，i
]。
[0070]
隶属度u
k，i
表示样本集中第i个样本对于第k个分类的隶属度，其满足如下条件：
[0071][0072][0073][0074]
1≤k≤c，1≤i≤n.
[0075]
其中，隶属度u
k，i
可表达为：
[0076][0077]
在s10232步骤中，分类中心模型v可以通过如下方式确定：
[0078][0079]
其中，vk表示第k个分类的分类中心坐标，xi表示第i个样本的坐标。
[0080]
样本xi到分类中心的欧式距离d
k，i
为：
[0081][0082]
其中，v
k，j
表示第k个分类的第j个分坐标，x
k，j
表示xk样本的第j个特征的坐标。
[0083]
在步骤s10233中，根据特征值相对于各分类中心的方差之和确定每一个特征的特征权重值模型w，具体的，可以通过如下方式计算：
[0084][0085]
其中，wj，β为用户自定义参数，dj为样本特征值相对于各簇中心vk的方差之和，具体的，可以通过如下方式计算：
[0086][0087]
在s10234步骤中，根据隶属度矩阵，分类中心以及特征权重构建计算模型，具体的，计算模型p(w，u，v)的确定方法如下：
[0088][0089]
其中，是基于特征权重欧式距离，具体的，可以通过如下方式计算：
[0090][0091]
在步骤s10235中，对于样本集xn×d应，按照预设分配比例将之随机拆分为x
train
，x
test
并分别用之于计算模型的训练和测试。
[0092]
计算模型的收敛阈值为z，采用数据集x
train
来进行训练，直至p(w，u，v)＜z，此时对应的特征权重值为目标特征权重值。
[0093]
利用x
test
来测试模型的泛化性能以及类内聚集程度和类间离散程度来评估聚类质量，其中，泛化性能为机器学习算法对新样本的适应能力；若效果不理想，则考虑更改c，t的值，然后重复对于w，u，v的计算。
[0094]
在本实施例中，通过对样本集中的训练数据的训练学习从而得到目标特征权重值，从而提高了目标特征权重的计算的准确性，能够准确反映出各个特征值对于隶属度的贡献。
[0095]
在一个较佳的实施方式中，对初始维度分值进行缩放得到维度分值包括：
[0096]
将初始维度分值按照大小进行排序得到每一维度的最大初始维度分值以及最小初始维度分值；
[0097]
根据初始维度分值，最大初始维度分值，最小初始维度分值以及缩放量确定维度分值。
[0098]
在本实施例中，维度分值(dscore scale)的计算方法如下：
[0099][0100]
其中，dscore
min
为最小初始维度分值，dscore
max
为最大初始维度分值，q为缩放量，可以为10，最小初始维度分值以及最大初始维度分值的确定过程可以参考最大特征值以及最小特征值，将所有评价周期对应的同一维度的初始维度分值按照大小进行排序，从而得到最大初始维度分值以及最小初始维度分值。
[0101]
在本实施例中，通过对初始维度分值缩放从而得到维度分值，维度分值能够处于合适的区间范围，提高了后续计算的准确性。
[0102]
在一个较佳的实施方式中，s103、根据样本对于每一个分类的隶属度确定用于确定每一分类对应的目标评价主体包括：
[0103]
s1031、将样本按照隶属度从大到小进行排序得到样本排序；
[0104]
s1032、根据样本与评价主体的对应关系以及样本排序将评价主体进行排序得到
前m个评价主体作为目标评价主体。
[0105]
在本实施例中，样本为每一评价主体在每一评价周期的使用情况，每一样本对于每一个分类均有相应的隶属度，在确定隶属度后，将样本按照隶属度的大小进行排序得到样本排序，根据样本与评价主体的对应关系以及样本排序将评价主体进行排序得到前m个评价主体作为目标评价主体。
[0106]
在本实施例中，根据隶属度对样本排序从而得到评价主体的排序，得到的目标评价主体更加准确。
[0107]
在一个较佳的实施方式中，s104、根据目标评价主体所对应的目标维度分值确定每一分类对应的分类分值包括：
[0108]
s1041、根据同一维度对应的不同目标评价主体的目标维度分值确定不同分类对于每一维度的平均维度分值；
[0109]
s1042、根据平均维度分值，预设维度排序以及预设分类排序方法得到分类排序名次；
[0110]
s1043、根据分类排序名次，缩放量以及分类的种类数确定每一分类的分类分值。
[0111]
在本实施例中，在步骤s1041中，每一分类对应有m个目标评价主体，而每一评价主体具有d个目标维度分值，从而将同一维度的不同评价主体的目标维度值进行平均得到每一个分类的该平均维度值，示例性的，对于a、b、c三个分类，对于表1的数据，可以分别得到5个平均维度分值d
averdge
，具体的为，平台管理维度平均值d
manage-avg
，平台运营维度平均值d
operdre-dug
，平台内容维度平均值d
content-avg
，平台规模维度平均值d
scale-avg
，数字资产维度平均值d
digit-avg
。
[0112]
在步骤s1042中，预设维度排序可以为按照d
manage-avg
，d
operate-avg
，d
content-avg
，d
scale-avg
，d
digit-avg
，预设排序方法为多字段排序，示例性的，如表2所示，对于为a，b，c三类，其各自的维度均值为：
[0113]
表2
[0114]
分类d
manage-avgdoperate-avgdcontent-avgdgigit-avgddigit-avg
a22345b23355c14346
[0115]
多字段排序为先按照d
manage-avg
排序，若d
manage-avg
相同，则按照d
operate-avg
排序，因此，排序结果为表3所示：
[0116]
表3
[0117]
分类d
manage-avg
p
operate-avggcontent-avgddigit-avgddigit-avg
rankc143461a223452b233553
[0118]
在步骤s 1043中，根据分类排序名次，缩放量以及分类的种类数确定每一分类的分类分值，在这一步骤中的缩放量与维度分值计算时的缩放量相同，具体的可采用如下方法计算：
[0119][0120]
其中rank为分类排序名次，通过上述方法计算得到的分类分值如表4所示：
[0121]
表4
[0122][0123]
在本实施例中，通过对分类分值的确定，从而在分类上体现出lms的使用情况。
[0124]
在一个较佳的实施方式中，根据分类分值以及隶属度确定样本对于学习管理系统成熟度的评估值包括：
[0125]
确定样本对于分类的隶属度与分类分值的乘积值；
[0126]
将所有分类对应的乘积值之和作为评估值。
[0127]
在本实施例中，对于样本集中样本xi对于lms成熟度(maturity)的计算方法如下：
[0128][0129]
样本xi表示某个公司某个月lms的使用数据，所以评估值为某一评价主体在某一评价周期对于lms的成熟度的评价。
[0130]
在一个较佳的实施方式中，确定用于评估学习管理系统的成熟度的样本集还包括：
[0131]
按照维度的影响因素统计评价主体在评价周期内的使用数据得到初始数据集；
[0132]
对初始数据集进行特征化处理从而得到样本集。
[0133]
在本实施例中，根据业务经验与逻辑，可以从如表1中所示的5个不同维度选取多个lms的影响因素，根据这些影响因素对不同的评价主体在不同的评价周期内的使用数据进行统计得到初始数据集d
init
，而后对初始的数据集d
init
进行特征化处理，具体过程如下：
[0134]
(1)检测d
init
中各影响因素所存在的异常值并处理；
[0135]
(2)检测并剔除d
init
中的离群点；
[0136]
(3)检测d
init
中缺失值，并根据各影响因素的实际数据进行补值处理；
[0137]
(4)采用协方差系数对这些影响因素进行两两相关性分析，同时对相关性系数超过0.7的特征进行处理：取舍或组合成新特征。
[0138]
经过上述步骤最终得到lms的特征集合，如表1所示，从而得到样本集。
[0139]
在本实施例中，按照维度的影响因素对使用数据进行统计，并进行特征化处理得到样本集，既相对全面又具有一定的准确性和合理性。
[0140]
如图2所示，本发明还提供了一种学习管理系统成熟度评估装置，该装置包括：
[0141]
样本集确定模块201，用于确定用于评估学习管理系统的成熟度的样本集，其中所述样本集中的样本为每一用于评价所述学习管理系统的评价主体在评价周期内对于所述学习管理系统的使用数据进行特征处理后的特征值集；
[0142]
维度分值确定模块202，用于根据样本集的维度所包含的特征的特征值确定维度的维度分值；
[0143]
目标评价主体确定模块203，用于根据样本对于每一个分类的隶属度确定每一分类对应的目标评价主体；
[0144]
分类分值确定模块204，用于根据目标评价主体所对应的目标维度分值确定每一所述分类对应的分类分值；
[0145]
成熟度评估模块205，用于根据分类分值以及隶属度确定样本对于学习管理系统的成熟度的评估值。
[0146]
在一个较佳的实施方式中，维度分值确定模块202还包括特征评价单元，用于根据样本集在评价周期内的特征值排序确定每一特征的最大特征值以及最小特征值；归一化单元，用于根据最大特征值以及最小特征值按评价周期对样本集中的特征值做归一化处理得到归一化样本集；目标特征权重值确定单元，用于确定每一特征的目标特征权重值，目标特征权重值为特征对隶属度的贡献度；权重化单元，用于根据归一化样本集以及目标特征权重值确定得到归一权重化样本集；初始维度分值确定单元，用于根据维度所包含的特征以及归一权重化样本集确定初始维度分值；缩放单元，用于对所述初始维度分值进行缩放得到所述维度分值。
[0147]
在一个较佳的实施方式中，目标特征权重值确定单元还包括：隶属度矩阵确定子单元，用于根据样本对于不同所述分类的隶属度构建隶属度矩阵；分类中心模型确定子单元，用于根据不同样本对于同一分类的隶属度确定分类中心模型；特征权重值确定子单元，用于根据特征值相对于各分类中心的方差之和确定每一特征的特征权重值模型；计算模型确定子单元，用于根据隶属度矩阵，分类中心模型以及特征权重值模型构建计算模型；训练子单元，用于根据从样本集确定的用于对计算模型训练学习的训练数据对计算模型训练直至计算模型的计算结果小于收敛阈值，并将对应的特征权重值作为目标特征权重。
[0148]
在一个较佳的实施方式中，缩放单元还用于将初始维度分值按照大小进行排序得到每一维度的最大初始维度分值以及最小初始维度分值；根据初始维度分值，最大初始维度分值，最小初始维度分值以及缩放量确定维度分值。
[0149]
在一个较佳的实施方式中，目标评价主体确定模块203还包括样本排序单元，用于将样本按照隶属度从大到小进行排序得到样本排序；目标评价主体确定单元，用于根据样本与评价主体的对应关系以及样本排序将评价主体进行排序得到前m个评价主体作为目标评价主体。
[0150]
在一个较佳的实施方式中，分类分值确定模块204还包括平均维度分值确定单元，用于根据同一维度对应的不同目标评价主体的目标维度分值确定不同分类对于每一维度的平均维度分值；分类排序名次确定单元，用于根据平均维度分值，预设维度排序以及预设分类排序方法得到分类排序名次；分类分值确定单元，用于根据分类排序名次，缩放量以及分类的种类数确定每一所述分类的分类分值。
[0151]
在一个较佳的实施方式中，成熟度评估模块205还包括乘积值确定单元，用于确定样本对于分类的隶属度与分类分值的乘积值；评估值确定单元，用于将所有分类对应的乘积值之和作为评估值。
[0152]
在一个较佳的实施方式中，样本集确定模块201还包括初始数据集确定单元，用于
按照维度的影响因素统计评价主体在评价周期内的使用数据得到初始数据集；样本集确定单元，用于对初始数据集进行特征化处理从而得到样本集。
[0153]
本实施例能够实现前述的学习管理系统成熟度评估方法的有益效果，在此不再赘述。
[0154]
本发明还提供了一种电子设备，其特征在于，包括：
[0155]
一个或多个处理器；以及与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令，所述程序指令在被所述一个或多个处理器读取执行时，执行如前所述的学习管理系统成熟度评估方法，所能实现的技术效果请参照如前的描述，此处不再赘述。
[0156]
其中，图3示例性的展示出了计算机系统的架构，具体可以包括处理器310，视频显示适配器311，磁盘驱动器312，输入/输出接口313，网络接口314，以及存储器320。上述处理器310、视频显示适配器311、磁盘驱动器312、输入/输出接口313、网络接口314，与存储器320之间可以通过通信总线330进行通信连接。
[0157]
其中，处理器310可以采用通用的cpu(central processing unit，中央处理器)、微处理器、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本技术所提供的技术方案。
[0158]
存储器320可以采用rom(read only memory，只读存储器)、ram(random access memory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器320可以存储用于控制计算机系统300运行的操作系统321，用于控制计算机系统300的低级别操作的基本输入输出系统(bios)。另外，还可以存储网页浏览器323，数据存储管理系统324，以及设备标识信息处理系统325等等。上述设备标识信息处理系统325就可以是本技术实施例中具体实现前述各步骤操作的应用程序。总之，在通过软件或者固件来实现本技术所提供的技术方案时，相关的程序代码保存在存储器320中，并由处理器310来调用执行。
[0159]
输入/输出接口313用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
[0160]
网络接口314用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信。
[0161]
总线330包括一通路，在设备的各个组件(例如处理器310、视频显示适配器311、磁盘驱动器312、输入/输出接口313、网络接口314，与存储器320)之间传输信息。
[0162]
另外，该计算机系统300还可以从虚拟资源对象领取条件信息数据库441中获得具体领取条件的信息，以用于进行条件判断，等等。
[0163]
需要说明的是，尽管上述设备仅示出了处理器310、视频显示适配器311、磁盘驱动器312、输入/输出接口313、网络接口314，存储器320，总线330等，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本技术方案所必需的组件，而不必包含图中所示的全部组件。
[0164]
本发明还提供一种计算机存储介质，用于执行本发明中学习管理系统成熟度评估
方法。
[0165]
本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储器被安装，或者从rom被安装。在该计算机程序被处理器执行时，执行本发明的实施例的方法中限定的上述功能。
[0166]
需要说明的是，本发明的实施例的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(radio frequency，射频)等等，或者上述的任意合适的组合。
[0167]
上述计算机可读介质可以是上述服务器中所包含的；也可以是单独存在，而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该服务器执行时，使得该服务器：响应于检测到终端的外设模式未激活时，获取终端上应用的帧率；在帧率满足息屏条件时，判断用户是否正在获取终端的屏幕信息；响应于判断结果为用户未获取终端的屏幕信息，控制屏幕进入立即暗淡模式。
[0168]
可以以一种或多种程序设计语言或其组合来编写用于执行本发明的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言-诸如java、smalltalk、c++，还包括常规的过程式程序设计语言-诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)-连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0169]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0170]
以上对本发明所提供的学习管理系统成熟度评估方法、装置及电子设备，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，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发明的限制。