大数据生成护理员能力模型及制定培训计划的推荐方法与流程

1.本发明涉及养老护理技术领域，具体为大数据生成护理员能力模型及制定培训计划的推荐方法。


背景技术：

2.随着出生率的下降，老年人口在整体人口中所占的比例越来越高，单位家庭中对应的养老问题以及需要照顾的老人越来越多，而对应的养老问题却并没有随着社会的发展与之达到同等的高度；在中国政府大力推动下，社区养老模式革新、智慧养老不断推进、医养结合成为行业热点，养老护理员作为新兴职业，将伴随全球老龄化社会的到来，呈现需求大于供给的总趋势，但不可忽视的现状是从业人员素质低、收入低，导致整体水平低，因此，一些有远见的部门及机构非常重视养老护理员的培训工作，不断提高服务质量。
3.如公开号为cn113987359a所示的一种基于知识图谱评分预测的养老护理行业课程推荐方法，该发明公开了一种基于知识图谱评分预测的养老护理行业课程推荐方法，其步骤为先生成知识图谱的课程清单供登录注册的护理员选择学习，进行课程学习过程中和老师的交互以及相关考试的考试情况对护理员进行评分，按照历史答题情况以及评分结果推荐课程学习。
4.在上述技术方案中存在以下几点不足：
5.1、没有生成护理员的能力模型，不能直观的判断能力情况，图形总是比数字更加清晰直观得出结论，单从学习考试情况评定一个护理员的能力不够立体，护理员直接面向的是需要陪护的人群，能力的高低从实践中对其进行评分更有可信度；
6.2、单看学习情况和考试结果推荐课程，并不能对一个护理员准确的指定培训计划，更应该结合实操情况全方面分析护理员的能力，单看学习能力过于片面，容易产生眼高手低的情况；现有课程可能涵盖面不够，不足以支撑护理员对专业技能的需求；
7.3、没有足够的数据量支撑和对养老行业陪护方向的预测能力模型，制定最合当下和未来的培训计划，护理员有时自己也不知道应该学习什么，对现在养老护理的需求不甚了解，通过大数据分析当下被照护人最渴望的需求生成护理员培训的计划。


技术实现要素：

8.(一)解决的技术问题
9.针对现有技术的不足，本发明提供了大数据生成护理员能力模型及制定培训计划的推荐方法，解决了背景技术提出的问题。
10.(二)技术方案
11.为实现上述目的，本发明提供如下技术方案：大数据生成护理员能力模型，包括数据采集模块、能力模型计算模块、生成模型模块、制定计划模块与短信通知模块；
12.数据采集模块：所述数据采集模块用于采集护理员的基本信息；
13.能力模型计算模块：所述能力模型计算模块用于对护理员能力进行评分；
14.生成模型模块：所述生成模型模块用于借助所述能力模型计算模块计算出的评分数据生成可视化的能力模型；
15.制定计划模块：所述制定计划模块用于根据所述生成模型模块生成的能力模型的值制定智能培训计划；
16.短信通知模块：所述短信通知模块用于通知建议护理员下一步的培训计划。
17.优选的，所述数据采集模块采集护理员的基本信息包括护理员的年龄、性别、学历、岗位和相关证书信息，所述数据采集模块还可对护理员在系统中的学习信息、考试信息以及被照护人每次照护之后对照护服务的评分信息进行采集。
18.优选的，所述制定计划模块根据决策树算法对不同能力的学员制定不同的培训计划。
19.优选的，所述能力模型计算模块根据护理员的学习、考试以及照护评分进行评估计算。
20.大数据制定培训计划的推荐方法，包括如下步骤：
21.s01、采集学员用户基本信息包括性别、年龄、学历、住址、历史学习考试情况以及陪护得到的评价信息；
22.s02、分析相关课程学习情况和陪护评价信息得出护理员的能力评分；
23.s03、按照评分结果和护理岗位的特性推荐需要培训的课程，通过短信通知建议的培训计划，当再次积累一定数据之后，基于之前的能力模型和培训计划以及反馈结果计算下次的培训结果，以迭代的形式每隔一段时间推送最近的建议培训计划。
24.(三)有益效果
25.与现有技术对比，本发明具备以下有益效果：
26.1、本发明中，基于大数据分析护理员能力情况，有足够的数据支撑，根据历史评估结果作为下一个评估的参考项，能更准确的分析评定一个护理员的能力。
27.2、本发明中，能力模型以图形展示界面展示，更加直观的看出哪些方面是护理员的优势和长处、哪些方面需要加强培训和学习，数据处理在展示和理解上有一个简单易懂的方式，清晰明了。
28.3、本发明中，通过短信通知反馈建议的培训计划，能随时随地知道自己应该往哪个放面努力，随时了解自己的情况和市场最新的需求。
附图说明
29.图1为本发明的系统结构框图；
30.图2为本发明的系统工作流程图；
31.图3为本发明的系统评估流程图；
32.图4为本发明的能力分值生成示意图。
具体实施方式
33.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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
34.请参阅图1-图4，大数据生成护理员能力模型及制定培训计划的推荐方法，包括数据采集模块、能力模型计算模块、生成模型模块、制定计划模块与短信通知模块；
35.数据采集模块：数据采集模块用于采集护理员的基本信息；
36.能力模型计算模块：能力模型计算模块用于对护理员能力进行评分；
37.生成模型模块：生成模型模块用于借助能力模型计算模块计算出的评分数据生成可视化的能力模型；
38.制定计划模块：制定计划模块用于根据生成模型模块生成的能力模型的值制定智能培训计划；
39.短信通知模块：短信通知模块用于通知建议护理员下一步的培训计划。
40.进一步的，数据采集模块采集护理员的基本信息包括护理员的年龄、性别、学历、岗位和相关证书信息，数据采集模块还可对护理员在系统中的学习信息、考试信息以及被照护人每次照护之后对照护服务的评分信息进行采集。
41.进一步的，制定计划模块根据决策树算法对不同能力的学员制定不同的培训计划。
42.进一步的，能力模型计算模块根据护理员的学习、考试以及照护评分进行评估计算。
43.本实施例中，能力模型计算模块用于将采集到的数据根据智能算法将学习考试的情况和学习分类一一映射并计算能力的一部分占一定权重，照护评分作为护理员能力的另一部分能力的表现，占一定权重，两部分之和作为护理员最终能力的一个评定标准。
44.大数据制定培训计划的推荐方法，包括如下步骤：
45.s01、采集学员用户基本信息包括性别、年龄、学历、住址、历史学习考试情况以及陪护得到的评价信息；
46.s02、分析相关课程学习情况和陪护评价信息得出护理员的能力评分；
47.s03、按照评分结果和护理岗位的特性推荐需要培训的课程，通过短信通知建议的培训计划，当再次积累一定数据之后，基于之前的能力模型和培训计划以及反馈结果计算下次的培训结果，以迭代的形式每隔一段时间推送最近的建议培训计划。
48.本实施例中，能力评估算法：护理员唯一标识记作d
id
,培训分类为ci(i＝1,2,3
…
n),护理分类为ti(i＝1,2,3
…
n),培训分类项e
ij
(i＝c1,c2,c3…cn
；j＝1,2,3
…
n),考试正确率si,护理评分影响项p
ij
(i＝t1,t2,t3…
tn；j＝1,2,3
…
m)，能力分值记作bi(i＝1,2,3
…
n),个人基础信息项oi(i＝1,2,3
…
n)，α为常量，范围0～1；
[0049][0050][0051]
(n为正确的题目数，m为考试的题目总数)
[0052]
培训计划生成算法：培训计划生成算法依据决策树算法，决策树算法是一种逼近
离散函数得方法，是一种分类方法,也是一个预测模型，树中每个节点表示一个对象，而每个分叉路径则代表某个可能的属性值，而每个叶节点则对应从根节点到该叶节点所经历的路径所表示的对象的值。
[0053]
把学员分类推荐课程范围记作d，整体能力偏低的着重培训专业知识，中间值的分三类，理论知识分数高但是护理评分低的着重培训沟通交流等相关护理知识，理论知识分数偏低但护理评分高的着重培训专业技能，掌握更多的专业技能，理论知识和护理评分都处于中等位置的，回顾专业技能，针对性培训具体能力，再下次生成培训计划时针对性培训的技能权重提高，重新评估培训方案，整体能力都高的学员可以根据大数据统计养老护理行业潜在护理方向或护理员短缺的方向，均衡发展护理员专业技能，使得被照护人不缺护理员照护，在有护理员照护的情况下得到更专业更人性化的服务。
[0054]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。