1.本发明涉及教育培训管理技术领域，特别涉及一种实时网络在线教育培训人员管理信息方法及系统。
背景技术：2.目前，在企业中，利用计算机软硬件系统，将整个企业的人员及其日常操作收纳于单一系统所形成的管理系统，已成为目前企业常用的工具。借助这种系统，企业、教育机构、餐饮等机构可在该系统中进行其日常业务操作。
3.但是现有的相关技术并不能通过自动匹配在线教育培训人员的身份信息，获取在线教育培训人员的培训适应度数据，且对在线教育培训人员的学习情况的基本信息管理的不够准确，因此本发明提供了一种实时网络在线教育培训人员管理信息方法及系统。
技术实现要素：4.本发明提供一种实时网络在线教育培训人员管理信息方法及系统，用以通过自动匹配在线教育培训人员的身份信息，获取在线教育培训人员的培训适应度数据，并对数据进行处理，实现准确对在线教育培训人员的学习情况的基本信息进行管理，提高了实时网络在线教育培训人员管理信息的全面性以及便利性。
5.一种实时网络在线教育培训人员管理信息方法，包括：步骤1：获取在线教育培训人员的登录信息，并划分与所述登录信息相对应的区块链网络，构建所述区块链网络中的在线培训信息节点，并根据所述在线培训信息节点自动匹配在线教育培训人员的身份信息；步骤2：基于所述在线教育培训人员的身份信息，并根据关联匹配方式，获取所述在线教育培训人员的在线教育培训课程信息；步骤3：根据所述在线教育培训课程信息，生成所述在线教育培训人员的学习边缘节点，并根据所述学习边缘节点圈定学习程度区域；步骤4：基于所述学习程度区域，获取所述在线教育培训人员的培训适应度数据；步骤5：根据学习程度比例尺对所述在线教育培训人员的培训适应度数据进行多级划分，并建立网格索引；步骤6：基于所述网格索引，对所述网络在线教育培训人员的身份信息、课程学习程度进行在线存储与管理。
6.优选的，一种实时网络在线教育培训人员管理信息方法，步骤1中，根据所述在线培训信息节点自动匹配在线教育培训人员的身份信息的具体工作过程，包括：构建所述在线培训信息节点对象，并基于所述在线培训信息节点对象确定在线培训信息节点的对象特征向量；基于所述在线培训信息节点的对象特征向量，确定在线培训信息节点的特征数据集；
同时，根据所述在线培训信息节点的特征数据集并根据权重系数，对在线教育培训人员的注册信息进行筛选；获取筛选后的所述在线教育培训人员的注册信息的特征子集；根据所述注册信息的特征子集对所述在线教育培训人员的身份信息进行自动匹配。
7.优选的，一种实时网络在线教育培训人员管理信息方法，构建所述在线培训信息节点对象的具体工作过程，包括：步骤11：获取所述在线培训信息节点的节点参数矩阵，并基于所述节点参数矩阵生成对象生成指令；步骤12：将所述对象生成指令放置于预设对象生成配置网络中进行匹配获取第一对象生成指令控制算法；步骤13：根据所述第一对象生成指令控制算法，并基于所述节点参数矩阵构建第一在线培训信息节点对象；步骤14：将所述第一在线培训信息节点对象与在线培训信息数据库中进行完整度检验；步骤15：当所述第一在线培训信息节点对象符合完整度检验时，完成对所述在线培训信息节点对象的构建；步骤16：否则，重复步骤12
‑
13，构建第二在线培训信息节点对象，其中，获取在线培训信息节点对象的次数小于或等于二；步骤17：将所述第一在线培训信息节点对象与所述第二在线培训信息节点对象进行结合，获取所述在线培训信息节点对象。
8.优选的，一种实时网络在线教育培训人员管理信息方法，步骤2中，基于所述在线教育培训人员的身份信息，并根据关联匹配方式，获取所述在线教育培训人员的在线教育培训课程信息，包括：获取所述在线教育培训人员的个人基础信息以及个人标签信息，其中，个人基础信息包括在线教育培训人员的姓名、性别、年龄及在线教育培训的课程种类；对所述在线教育培训人员的个人基础信息进行扩展，形成用户画像属性，其中所述用户画像属性包括所述在线教育培训人员培训课程的标签信息；根据预设的匹配规则，将所述个人标签信息与在线教育培训人员培训课程的标签信息进行匹配，得到所述在线教育培训人员的在线教育培训课程信息；其中，预设的匹配规则包括精准匹配规则、模糊匹配规则。
9.优选的，一种实时网络在线教育培训人员管理信息方法，步骤3中，根据所述在线教育培训课程信息，生成所述在线教育培训人员的学习边缘节点，并根据所述学习边缘节点圈定学习程度区域的具体工作过程，包括：获取在线教育课程信息的信息数据，并对所述在线教育课程信息的信息数据进行线性判定，获取判定结果；基于所述判定结果，生成对应的线性拟合数据，并根据所述线性拟合数据的坐标点，生成拟合模型；获取与所述拟合模型相符合的拟合函数，并根据所述拟合函数对所述信息数据进
行拟合，并获取拟合结果；基于所述拟合结果，绘制所述在线教育课程信息的信息数据的拟合曲线；根据所述拟合曲线，对所述在线教育课程信息的信息数据进行数据区域划分，并获取n个子数据区域；分别将所述n个子数据区域的数据进行合并，并生成子数据节点；计算所述子数据节点的离散程度，同时，将每个所述子数据节点的离散程度进行均值化，并将均值化后的结果作为基准离散程度；将所述子数据节点的离散程度与所述基准离散程度进行比较；当所述子数据节点的离散程度大于所述基准离散程度的预设百分比时，将所述子数据节点定义为学习边缘节点；对所述学习边缘节点进行预处理，获取所述学习边缘节点在拟合曲线中的横坐标与纵坐标；基于所述拟合曲线中的横坐标与纵坐标确定所述学习边缘节点的具体位置；同时，根据预设方程计算所述学习边缘节点的梯度分量，并根据所述梯度分量建立梯度矩阵；根据所述学习边缘节点的具体位置以及所述梯度矩阵，构造学习程度区域的圈定方法；根据所述学习程度的圈定方法对所述学习程度区域进行圈定。
10.优选的，一种实时网络在线教育培训人员管理信息方法，步骤5中，根据学习程度比例尺对所述在线教育培训人员的培训适应度数据进行多级划分，包括：获取对所述在线教育培训人员的培训适应度数据的多级划分结果，得到m个数据块；其中，所述m个数据块分别具有根据优先级设置的排序标识；基于所述排序标识，将得到的m个数据块按照优先级递减的顺序完成排序。
11.优选的，一种实时网络在线教育培训人员管理信息方法，步骤4中，基于所述学习程度区域，获取所述在线教育培训人员的培训适应度数据的具体工作过程，包括：根据所述学习程度区域，确定区域分析目标，并基于所述区域分析目标对所述在线教育培训人员的知识掌握程度进行规划；根据规划结果，确定所述在线培训人员的知识掌握密度；根据所述知识掌握密度，获取所述在线教育培训人员的培训适应度数据。
12.优选的，一种实时网络在线教育培训人员管理信息方法，步骤6中：对所述网络在线教育培训人员的身份信息、课程学习程度进行在线存储与管理后，还包括：对学习程度区域进行分析，计算所述学习程度区域中的所述在线培训人员对考试试题适应值，根据所述适应值计算所述在线培训人员对知识点的学习程度值，其具体工作过程，包括：对所述学习程度区域进行分析，获取在线培训人员对考试试题的适应值；基于所述在线培训人员对考试试题适应值，确定所述在线培训人员对对应考试试卷的适应值：
；其中，f表示所述在线培训人员对对应考试试卷的适应值；w1表示所述在线培训人员符合考试试卷的第一预设约束条件的权重值；w2表示所述在线培训人员符合考试试卷的第二预设约束条件的权重值；w3表示所述在线培训人员符合考试试卷的第三预设约束条件的权重值；|a
i
|表示在考试试卷中与第一预设约束条件相关的具有第i种难度的试题分数之和与所述考试试卷要求达到对应标准分数之和的差值绝对值；表示在考试试卷中与第二预设约束条件相关的具有第j类知识点的试题分数之和与所述考试试卷要求达对应标准分数之和的差值绝对值；表示在考试试卷中与第三预设约束条件相关的具有第f种被考频率的试题分数之和与所述考试试卷要求达到的对应标准分数之和的差值绝对值；g表示所述在线培训人员对考试试题适应值；基于所述在线培训人员对考试试卷的适应值，计算所述在线培训人员的学习程度综合值；其中，z表示在线培训人员的学习程度综合值；μ表示学习效率，且取值范围为（0.5，1）；f表示所述在线培训人员对考试试卷的适应值；h表示所述在线培训人员对已学习课程量中知识点的知识掌握程度值，且取值范围为[1，10]；k表示所述在线培训人员的未学习课程量；δ表示所述在线培训人员针对已学习课程量中每节课程量的平均有效学习时长；l表示待学习的总课程量；t表示针对总课程量中每节课程量的平均学习时长；a’表示针对所述在线培训人员对考试试卷的适应值的修正因子，且取值范围为[0.8，1.2]；根据所述在线培训人员对知识点的学习程度综合值与预设学习程度阈值进行比较；当所述在线培训人员的学习程度综合值小于所述预设学习程度阈值，则向所述在线培训人员发送警告信息，同时，并继续统计所述在线培训人员对未学习课程量的学习信息，基于所述学习信息以及学习程度综合值，判断所述在线培训人员是否需要课程重修，若需要，进行重修提醒。
[0013]
一种实时网络在线教育培训人员管理信息系统，包括：身份信息获取模块：获取在线教育培训人员的登录信息，并划分与所述登录信息相对应的区块链网络，构建所述区块链网络中的在线培训信息节点，并根据所述在线培训信息节点自动匹配在线教育培训人员的身份信息；课程信息获取模块：基于所述在线教育培训人员的身份信息，并根据关联匹配方式，获取所述在线教育培训人员的在线教育培训课程信息；学习程度区域圈定模块：根据所述在线教育培训课程信息，生成所述在线教育培训人员的学习边缘节点，并根据所述学习边缘节点圈定学习程度区域；
数据获取模块：基于所述学习程度区域，获取所述在线教育培训人员的培训适应度数据；网格索引建立模块：根据学习程度比例尺对所述在线教育培训人员的培训适应度数据进行多级划分，并建立网格索引；数据存储管理模块：基于所述网格索引，对所述网络在线教育培训人员的身份信息、课程学习程度进行在线存储与管理。
[0014]
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
[0015]
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
[0016]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：图1为本发明实施例中一种实时网络在线教育培训人员管理信息方法流程图；图2为本发明实施例中一种实时网络在线教育培训人员管理信息系统流程图。
具体实施方式
[0017]
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
[0018]
实施例1：本实施例提供了一种实时网络在线教育培训人员管理信息方法，如图1所示，包括：步骤1：获取在线教育培训人员的登录信息，并划分与所述登录信息相对应的区块链网络，构建所述区块链网络中的在线培训信息节点，并根据所述在线培训信息节点自动匹配在线教育培训人员的身份信息；步骤2：基于所述在线教育培训人员的身份信息，并根据关联匹配方式，获取所述在线教育培训人员的在线教育培训课程信息；步骤3：根据所述在线教育培训课程信息，生成所述在线教育培训人员的学习边缘节点，并根据所述学习边缘节点圈定学习程度区域；步骤4：基于所述学习程度区域，获取所述在线教育培训人员的培训适应度数据；步骤5：根据学习程度比例尺对所述在线教育培训人员的培训适应度数据进行多级划分，并建立网格索引；步骤6：基于所述网格索引，对所述网络在线教育培训人员的身份信息、课程学习程度进行在线存储与管理。
[0019]
该实施例中，在线培训信息节点是用来存储在线教育培训人员的登录信息，其中，登录信息包括在线教育培训人员id信息。
[0020]
该实施例中，身份信息指的是在线教育人员的姓名、年龄等。
[0021]
该实施例中，学习边缘节点指的是对在线教育培训人员的学习数据进行圈定，处
于圈定范围边缘的数据点即为学习边缘节点。
[0022]
该实施例中，学习程度区域指的是在线教育培训人员对接受的知识点进行圈定，处于该区域中的知识点为在线教育培训人员的学习程度区域，比如，存在a、b、c、d四个知识区域，此时，通过范围边缘数据点构成的学习边缘节点对a知识区域进行圈定，其a区域中被圈定的所有知识点，即为需要学习的内容，即为学习程度区域。
[0023]
该实施例中，培训适应度数据指的是在线教育培训人员学习程度区域中按照掌握程度进行排序后的数据，是用来表示在线教育培训人员对不同知识点的掌握程度。
[0024]
该实施例中，学习程度比例尺是提前设定好的，用来对在线教育培训人员对不同知识点的掌握程度进行划分的，例如，掌握程度包括：掌握程度1、掌握程度2、掌握程度3，此时，将掌握程度1以及掌握程度2对应的知识点划分到一起，将掌握程度3对应的知识点进行单独划分，此时，建立其分别敌营的网格进行存储，同时，建立划分后的每个网格的索引，便于调用。
[0025]
上述技术方案的有益效果是：通过自动匹配在线教育培训人员的身份信息，有效节省时间从而有利于快速获取在线教育培训人员的在线教育培训课程信息，通过在线教育培训课程信息可以有效圈定学习程度区域，进而准确获取在线教育培训人员的培训适应度数据，可以有效获取在线教育培训人员的掌握程度，通过对培训适应度数据进行多级划分，并建立网格索引可以准确对在线教育培训人员的学习情况的基本信息进行管理，本方法大大提高了实时网络在线教育培训人员管理信息的全面性以及便利性。
[0026]
实施例2：在上述实施例1的基础上，本实施例提供了一种实时网络在线教育培训人员管理信息方法，步骤1中，根据所述在线培训信息节点自动匹配在线教育培训人员的身份信息的具体工作过程，包括：构建所述在线培训信息节点对象，并基于所述在线培训信息节点对象确定在线培训信息节点的对象特征向量；基于所述在线培训信息节点的对象特征向量，确定在线培训信息节点的特征数据集；同时，根据所述在线培训信息节点的特征数据集并根据权重系数，对在线教育培训人员的注册信息进行筛选；获取筛选后的所述在线教育培训人员的注册信息的特征子集；根据所述注册信息的特征子集对所述在线教育培训人员的身份信息进行自动匹配。
[0027]
该实施例中，在线培训信息节点对象指的是节点中存储的在线教育培训人员的登录信息。
[0028]
该实施例中，对象特征向量指的是在线培训人员登录信息中起决定性的关键数据字段。
[0029]
该实施例中，权重系数指的是在线教育培训人员登录信息中，不同区域快的数据在总数据中所占的比重。
[0030]
该实施例中，特征子集指的是在线教育培训人员在注册时，填写基本信息中的多个关键数据，多个关键数据定义为特征子集。
[0031]
上述技术方案的有益效果是：通过获取在线教育培训人员的登录信息，并根据登录信息进行处理，匹配与在线教育培训人员对应的身份信息，便于有效的节省时间，从而有利于快速获取在线教育培训人员的在线教育培训课程信息。
[0032]
实施例3：在上述实施例2的基础上，本实施例提供了一种实时网络在线教育培训人员管理信息方法，构建所述在线培训信息节点对象的具体工作过程，包括：步骤11：获取所述在线培训信息节点的节点参数矩阵，并基于所述节点参数矩阵生成对象生成指令；步骤12：将所述对象生成指令放置于预设对象生成配置网络中进行匹配，获取第一对象生成指令控制算法；步骤13：根据所述第一对象生成指令控制算法，并基于所述节点参数矩阵构建第一在线培训信息节点对象；步骤14：将所述第一在线培训信息节点对象与在线培训信息数据库中进行完整度检验；步骤15：当所述第一在线培训信息节点对象符合完整度检验时，完成对所述在线培训信息节点对象的构建；步骤16：否则，重复步骤12
‑
13，构建第二在线培训信息节点对象，其中，获取在线培训信息节点对象的次数小于或等于二；步骤17：将所述第一在线培训信息节点对象与所述第二在线培训信息节点对象进行结合，获取所述在线培训信息节点对象。
[0033]
该实施例中，节点参数矩阵是用来存储在线培训信息节点中的各项参数，便于根据参数生成相应的对象生成指令。
[0034]
该实施例中，第一对象生成指令控制算法是用来控制对象的生成，从而有利于准确获取第一在线培训信息节点对象。
[0035]
上述技术方案的有益效果是：通过确定在线培训信息节点的节点参数矩阵，从而生成对象生成指令，根据对象生成指令完成对象的生成，并对生成的对象进行校验，便于准确根据对象匹配对应的身份信息，进而准确获取在线教育培训人员的培训适应度数据。
[0036]
实施例4：在上述实施例1的基础上，本实施例提供了一种实时网络在线教育培训人员管理信息方法，步骤2中，基于所述在线教育培训人员的身份信息，并根据关联匹配方式，获取所述在线教育培训人员的在线教育培训课程信息，包括：获取所述在线教育培训人员的个人基础信息以及个人标签信息，其中，个人基础信息包括在线教育培训人员的姓名、性别、年龄及在线教育培训的课程种类；对所述在线教育培训人员的个人基础信息进行扩展，形成用户画像属性，其中所述用户画像属性包括所述在线教育培训人员培训课程的标签信息；根据预设的匹配规则，将所述个人标签信息与在线教育培训人员培训课程的标签信息进行匹配，得到所述在线教育培训人员的在线教育培训课程信息；其中，预设的匹配规则包括精准匹配规则、模糊匹配规则。
[0037]
该实施例中，个人标签信息是用来表示在线教育培训人员的身份属性，便于根据
个人标签信息查找对应的培训课程。
[0038]
该实施例中，用户画像属性指的是在线教育培训人员当前阶段所接受的培训课程的标签信息。
[0039]
该实施例中，培训课程的标签信息是用来标记培训课程的种类以及属性，便于将培训课程与培训人员进行匹配。
[0040]
上述技术方案的有益效果是：通过获取在线教育培训人员的个人标签信息，以及根据个人基础信息获取在线培训课程的标签信息，将二者进行匹配，准确的确定了在线教育培训人员对应的培训课程，便于对在线教育培训人员的培训数据进行及时获取，从而准确的掌握在线教育培训人员的学习情况，高了实时网络在线教育培训人员管理信息的全面性以及便利性。
[0041]
实施例5：在上述实施例1的基础上，本实施例提供了一种实时网络在线教育培训人员管理信息方法，步骤3中，根据所述在线教育培训课程信息，生成所述在线教育培训人员的学习边缘节点，并根据所述学习边缘节点圈定学习程度区域的具体工作过程，包括：获取在线教育课程信息的信息数据，并对所述在线教育课程信息的信息数据进行线性判定，获取判定结果；基于所述判定结果，生成对应的线性拟合数据，并根据所述线性拟合数据的坐标点，生成拟合模型；获取与所述拟合模型相符合的拟合函数，并根据所述拟合函数对所述信息数据进行拟合，并获取拟合结果；基于所述拟合结果，绘制所述在线教育课程信息的信息数据的拟合曲线；根据所述拟合曲线，对所述在线教育课程信息的信息数据进行数据区域划分，并获取n个子数据区域；分别将所述n个子数据区域的数据进行合并，并生成子数据节点；计算所述子数据节点的离散程度，同时，将每个所述子数据节点的离散程度进行均值化，并将均值化后的结果作为基准离散程度；将所述子数据节点的离散程度与所述基准离散程度进行比较；当所述子数据节点的离散程度大于所述基准离散程度的预设百分比时，将所述子数据节点定义为学习边缘节点；对所述学习边缘节点进行预处理，获取所述学习边缘节点在拟合曲线中的横坐标与纵坐标；基于所述拟合曲线中的横坐标与纵坐标确定所述学习边缘节点的具体位置；同时，根据预设方程计算所述学习边缘节点的梯度分量，并根据所述梯度分量建立梯度矩阵；根据所述学习边缘节点的具体位置以及所述梯度矩阵，构造学习程度区域的圈定方法；根据所述学习程度的圈定方法对所述学习程度区域进行圈定。
[0042]
该实施例中，拟合模型可以是根据判定结果确定的一种网路结构，是为了更准确的获取拟合函数。
[0043]
该实施例中，子数据节点的离散程度可以是与拟合曲线的原理程度。
[0044]
该实施例中，基准离散程度可以是将子数据节点的离散程度取平均值，从而获取的一种可以衡量学习边缘节点的标尺。
[0045]
该实施例中，预设百分比可以是基准离散程度的80%到90%。
[0046]
该实施例中，边缘节点的梯度分量在标量场中，边缘节点的梯度指向标量场增长最快的方向。
[0047]
上述技术方案的有益效果是：通过获取在线教育课程信息的信息数据，并对信息数据进行线性判定有利于确定拟合模型的类型，从而可以准确绘制在线教育课程信息的信息数据的拟合曲线，通过对数据拟合后，通过将信息数据进行区域划分，可以有效合成子数据节点，从而根据子数据的离散程度准确获取学习边缘节点，通过对获取边缘节点的具体位置，可以准确完成对学习程度区域的圈定，本方法大大提高了在线教育培训人员管理信息方法的准确性。
[0048]
实施例6：在上述实施例1的基础上，本实施例提供了一种实时网络在线教育培训人员管理信息方法，步骤5中，根据学习程度比例尺对所述在线教育培训人员的培训适应度数据进行多级划分，包括：获取对所述在线教育培训人员的培训适应度数据的多级划分结果，得到m个数据块；其中，所述m个数据块分别具有根据优先级设置的排序标识；基于所述排序标识，将得到的m个数据块按照优先级递减的顺序完成排序。
[0049]
该实施例中，排序标识是用来对数据块排序时提供便利的，起标识标识各个数据在整体数据中的重要程度。
[0050]
上述技术方案的有益效果是：通过获取分割后数据块的优先级排序标识，完成对数据块的排序，便于建立网格索引可以准确对在线教育培训人员的学习情况的基本信息进行管理，提高了实时网络在线教育培训人员管理信息的全面性以及便利性。
[0051]
实施例7：在实施例1的基础上，本实施例提供了一种实时网络在线教育培训人员管理信息方法，步骤4中，基于所述学习程度区域，获取所述在线教育培训人员的培训适应度数据的具体工作过程，包括：根据所述学习程度区域，确定区域分析目标，并基于所述区域分析目标对所述在线教育培训人员的知识掌握程度进行规划；根据规划结果，确定所述在线培训人员的知识掌握密度；根据所述知识掌握密度，获取所述在线教育培训人员的培训适应度数据。
[0052]
上述技术方案的有益效果是：通过学习程度区域有效确定区域分析目标，从而有利于对知识掌握程度进行规划，准确获取培训适应度数据，大大提高了对在线教育培训人员管理信息的准确性。
[0053]
实施例8：在实施例1的基础上，本实施例提供了一种实时网络在线教育培训人员管理信息方法，步骤6中：对所述网络在线教育培训人员的身份信息、课程学习程度进行在线存储与
管理后，还包括：对学习程度区域进行分析，计算所述学习程度区域中的所述在线培训人员对考试试题适应值，根据所述适应值计算所述在线培训人员对知识点的学习程度值，其具体工作过程，包括：对所述学习程度区域进行分析，获取在线培训人员对考试试题的适应值；基于所述在线培训人员对考试试题适应值，确定所述在线培训人员对对应考试试卷的适应值：；其中， f表示所述在线培训人员对对应考试试卷的适应值；w1表示所述在线培训人员符合考试试卷的第一预设约束条件的权重值；w2表示所述在线培训人员符合考试试卷的第二预设约束条件的权重值；w3表示所述在线培训人员符合考试试卷的第三预设约束条件的权重值；|a
i
|表示在考试试卷中与第一预设约束条件相关的具有第i种难度的试题分数之和与所述考试试卷要求达到对应标准分数之和的差值绝对值；表示在考试试卷中与第二预设约束条件相关的具有第j类知识点的试题分数之和与所述考试试卷要求达对应标准分数之和的差值绝对值；表示在考试试卷中与第三预设约束条件相关的具有第f种被考频率的试题分数之和与所述考试试卷要求达到的对应标准分数之和的差值绝对值；g表示所述在线培训人员对考试试题适应值；基于所述在线培训人员对考试试卷的适应值，计算所述在线培训人员的学习程度综合值；其中，z表示在线培训人员的学习程度综合值；μ表示学习效率，且取值范围为（0.5，1）；f表示所述在线培训人员对考试试卷的适应值；h表示所述在线培训人员对已学习课程量中知识点的知识掌握程度值，且取值范围为[1，10]；k表示所述在线培训人员的未学习课程量；δ表示所述在线培训人员针对已学习课程量中每节课程量的平均有效学习时长；l表示待学习的总课程量；t表示针对总课程量中每节课程量的平均学习时长；α’表示针对所述在线培训人员对考试试卷的适应值的修正因子，且取值范围为[0.8，1.2]；根据所述在线培训人员对知识点的学习程度综合值与预设学习程度阈值进行比较；当所述在线培训人员的学习程度综合值小于所述预设学习程度阈值，则向所述在线培训人员发送警告信息，同时，并继续统计所述在线培训人员对未学习课程量的学习信息，基于所述学习信息以及学习程度综合值，判断所述在线培训人员是否需要课程重修，若需要，进行重修提醒。
[0054]
该实施例中，第一预设约束条件可以是对考试难度的约束条件。
[0055]
该实施例中，第二预设约束条件可以是对考试知识点的约束条件。
[0056]
该实施例中，第三预设约束条件可以是对被考频率的约束条件。
[0057]
该实施例中，在线培训人员的学习效率可以是在线培训人员在学习时长下的掌握课程量。
[0058]
上述技术方案的有益效果是：通过对学习程度区域进行分析，可以准确计算学习程度区域中的在线培训人员对考试试题适应值，从而，根据适应度值有效计算在线培训人员对知识点的学习程度值，通过对学习程度值的分析，有利于掌握在线培训人员的学习成绩，从而提高对在线教育培训人员管理信息的全面性。
[0059]
实施例9：本实施例提供了一种实时网络在线教育培训人员管理信息系统，如图2所示，包括：身份信息获取模块：获取在线教育培训人员的登录信息，并划分与所述登录信息相对应的区块链网络，构建所述区块链网络中的在线培训信息节点，并根据所述在线培训信息节点自动匹配在线教育培训人员的身份信息；课程信息获取模块：基于所述在线教育培训人员的身份信息，并根据关联匹配方式，获取所述在线教育培训人员的在线教育培训课程信息；学习程度区域圈定模块：根据所述在线教育培训课程信息，生成所述在线教育培训人员的学习边缘节点，并根据所述学习边缘节点圈定学习程度区域；数据获取模块：基于所述学习程度区域，获取所述在线教育培训人员的培训适应度数据；网格索引建立模块：根据学习程度比例尺对所述在线教育培训人员的培训适应度数据进行多级划分，并建立网格索引；数据存储管理模块：基于所述网格索引，对所述网络在线教育培训人员的身份信息、课程学习程度进行在线存储与管理。
[0060]
上述技术方案的有益效果是：通过自动匹配在线教育培训人员的身份信息，有效节省时间从而有利于快速获取在线教育培训人员的在线教育培训课程信息，通过在线教育培训课程信息可以有效圈定学习程度区域，进而准确获取在线教育培训人员的培训适应度数据，可以有效获取在线教育培训人员的掌握程度，通过对培训适应度数据进行多级划分，并建立网格索引可以准确对在线教育培训人员的学习情况的基本信息进行管理，本方法大大提高了实时网络在线教育培训人员管理信息的全面性以及便利性。
[0061]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。