问卷处理结果的有效性判断方法、装置、设备及存储介质

1.本发明涉及数据处理技术领域，尤其涉及一种问卷处理结果的有效性判断方法、装置、设备及存储介质。


背景技术：

2.问卷调查作为现代社会一种广泛使用的调查手段，伴随着互联网的快速发展，网络问卷被大量使用，包括意见收集，商业评价，心里调查等方面。由于一部分问卷所具有的专业性，要求问卷结果的合理性比如市场评估，心理调查，人格测试等，特别是心理调查和人格测试等统称为非认知测验的问卷形式。这类测验没有正确的答案，但却存在合理的答案，任何不合理的问卷结果将破坏数据统计或者评估的准确性。一种情况是被试者按照社会所希望的好的个性特点去作答，而不是按照自己的特点去作答，产生社会称许效应；另一种情况是无视问卷的重要性，以完成问卷为唯一目的，严重破坏问卷结果质量。这两种情况均违背了问卷测验的目的，从而产生一系列严重后果，特别是在心理问卷中，患者为了掩饰自己的症状或者在没有意识到自己心理异常的情况下，随意填写问卷产生不匹配的结果而因此而错过治疗机会，后果不堪设想。
3.传统的保证问卷结果有效的方法是在问卷中加入一个或数个测谎题，认为测谎题能够有效筛除存在不合理结果的问卷。测谎题的逻辑在于通过设置一些社会不称许的题目判断你是否产生了社会称许效应。通过实际调查研究发现目前测谎方式主要存在以下缺陷：
4.(1)测谎题的局限在于测谎方式过于单一，测谎题的分数阈值存在不确定性，在心理测试方面被测者存在个体差异较大，被测者的心理呈现不同程度异常，测谎题的评分量表不能使用常模量表；(2)在实际应用中，被测者会产生与测验无关的心理活动，特别是患有心理疾病的被测者。这会对测试指标的结果带来额外的影响，测试环境以及被测者近期的心理状况对测试准确性以及测谎题的有效性有明显影响；(3)目前较为认可的测谎算法大多是对被者的生理反应进行检测，包括被测着的呼吸线长，心率以及皮肤电阻等参量，从而实现多数据融合的测谎判定标准。然而目前这一系列算法不适用于大范围调查的互联网问卷。
5.因此，现有技术存在无法准确确定出问卷结果的有效性以及不适用于大范围调查的互联网问卷的技术问题。


技术实现要素：

6.本发明提供了一种问卷处理结果的有效性判断方法、装置、设备及存储介质，以解决无法准确确定问卷结果的有效性以及不适用于大范围调查的互联网问卷的技术问题。
7.根据本发明的一方面，提供了一种问卷处理结果的有效性判断方法，包括：
8.获取待处理问卷数据对应的数据处理结果，其中，所述数据处理结果包括得分序列信息以及处理时间信息；
9.基于所述数据处理结果中具备关联关系的题目组的得分序列信息，确定所述具备关联关系的题目组对应的第一处理可信度；
10.基于所述数据处理结果中各待处理题目的处理时间信息，确定各所述待处理题目对应的第二处理可信度；
11.根据所述第一处理可信度以及所述第二处理可信度，输出所述数据处理结果所属的类别，其中，所述类别包括结果无效类别和结果有效类别。
12.可选的，所述数据处理结果还包括用户图像信息，所述根据所述第一处理可信度以及所述第二处理可信度，输出所述数据处理结果所属的类别，包括；
13.基于各所述待处理题目的用户图像信息确定各所述待处理题目的第三处理可信度；
14.根据所述第一处理可信度、所述第二处理可信度以及所述第三处理可信度，输出所述数据处理结果所属的类别。
15.可选的，所述基于各所述待处理题目的用户图像信息确定各所述待处理题目的第三处理可信度，包括：
16.基于各所述待处理题目的用户图像信息以及预先训练的面部表情识别模型，确定用户处理各所述待处理题目的表情类别；
17.根据所述用户处理各所述待处理题目的表情类别，确定各所述待处理题目的第三处理可信度。
18.可选的，所述基于各所述待处理题目的用户图像信息确定各所述待处理题目的第三处理可信度，包括：
19.基于各所述待处理题目的用户图像信息确定用户处理各所述待处理题目的表情特征和肢体特征；
20.根据所述用户处理各所述待处理题目的表情特征和肢体特征，确定各所述待处理题目的第三处理可信度。
21.可选的，所述基于所述数据处理结果中具备关联关系的题目组的得分序列信息，确定所述具备关联关系的题目组对应的第一处理可信度，包括：
22.针对所述待处理问卷数据中具备关联关系的至少两个题目组，基于各所述题目组的得分序列信息计算各所述得分序列信息之间的相关系数；
23.基于所述相关系数确定所述具备关联关系的题目组对应的第一处理可信度。
24.可选的，所述基于所述数据处理结果中各待处理题目的处理时间信息，确定各所述待处理题目对应的第二处理可信度，包括：
25.基于所述待处理问卷数据的处理时间信息，以及所述待处理问卷数据中各待处理题目的处理时间信息，确定各所述待处理题目的处理时间占比；
26.基于各所述待处理题目的处理时间占比以及预设占比阈值，确定各所述待处理题目对应的第二处理可信度。
27.可选的，所述根据所述第一处理可信度、所述第二处理可信度以及所述第三处理可信度，输出所述数据处理结果所属的类别，包括：
28.若所述第一处理可信度、所述第二处理可信度以及所述第三处理可信度均为具备可信度，则输出所述数据处理结果所属的类别为结果有效类别。
29.根据本发明的另一方面，提供了一种问卷处理数据的有效性判断装置，包括：
30.结果获取模块，用于获取待处理问卷数据对应的数据处理结果，其中，所述数据处理结果包括得分序列信息以及处理时间信息；
31.可信度确定第一模块，用于基于所述数据处理结果中具备关联关系的题目组的得分序列信息，确定所述具备关联关系的题目组对应的第一处理可信度；
32.可信度确定第二模块，用于基于所述数据处理结果中各待处理题目的处理时间信息，确定各所述待处理题目对应的第二处理可信度；
33.类别输出模块，用于根据所述第一处理可信度以及所述第二处理可信度，输出所述数据处理结果所属的类别，其中，所述类别包括结果无效类别和结果有效类别。
34.根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
35.至少一个处理器；以及
36.与所述至少一个处理器通信连接的存储器；其中，
37.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的问卷处理结果的有效性判断方法。
38.根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的问卷处理结果的有效性判断方法。
39.本发明实施例的技术方案，通过获取待处理问卷数据对应的数据处理结果，根据数据处理结果中具备关联关系的题目组的得分序列信息，确定具备关联关系的题目组对应的第一处理可信度，并根据数据处理结果中各待处理题目的处理时间信息确定各待处理题目对应的第二处理可信度，进而根据第一处理可信度和第二处理可信度，确定待处理问卷数据对应的数据处理结果所属的类别，实现了对待处理问卷数据对应的数据处理结果的有效性判断，该方法结合了具备关联关系的题目组的得分序列信息和题目的处理时间检测问卷的数据处理结果的有效性，提高了问卷的数据处理结果的有效性检测的准确性，解决了现有技术中无法准确确定问卷结果是否有效以及无法适用于大范围调查的互联网问卷的技术问题。
40.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
41.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。
42.图1是本发明实施例一提供的一种问卷处理结果的有效性判断方法的流程示意图；
43.图2是本发明实施例二提供的一种问卷处理结果的有效性判断方法的流程示意图；
44.图3是本发明实施例三提供的一种问卷处理结果的有效性判断装置的结构示意图；
45.图4是本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
46.为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
47.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
48.实施例一
49.图1是本发明实施例一提供的一种问卷处理结果的有效性判断方法的流程示意图，本实施例可适用于确定待处理问卷数据的数据处理结果所属类别的情况，如，结果无效类别或结果有效类别，该方法可以由问卷处理结果的有效性判断装置来执行，该问卷处理结果的有效性判断装置可以采用硬件和/或软件的形式实现，该问卷处理结果的有效性判断装置可配置于诸如手机、平板电脑、计算机或智能手表等电子设备中。如图1所示，该方法包括：
50.s110、获取待处理问卷数据对应的数据处理结果，其中，所述数据处理结果包括得分序列信息以及处理时间信息。
51.其中，待处理问卷数据可以是诸如心理调查问卷数据、市场评估问卷数据、人格测试问卷数据、产品评价问卷数据以及意见收集问卷数据等问卷数据。具体的，待处理问卷数据可以包括至少一个待处理题目。
52.在本实施例中，待处理问卷数据还可以包括具备关联关系的题目组，其中，具备关联关系的题目组可以是预先设置的重复性题目组。或者，具备关联关系的题目组还可以是处理结果之间具备强关联关系的题目组，示例性的，一个题目组的处理结果与另一个题目组的处理结果之间应存在预设关联关系，则可以将该两个题目组确定为具备关联关系的题目组。如，预设关联关系可以是两个题目组的处理结果相反、一个题目组的处理结果等于另一个题目组的处理结果与预设数值的和，等。
53.待处理问卷数据对应的数据处理结果可以是用户针对待处理问卷数据填写或编辑的问卷答案。其中，数据处理结果可以包括待处理问卷数据中的各个待处理题目的处理时间信息，以及待处理问卷数据中的各个待处理题目的得分信息。数据处理结果还可以包括待处理问卷数据的总处理时间，以及，待处理问卷数据中具备关联关系的题目组的得分
序列信息。
54.具体的，本实施例可以在检测到用户触发提交控件后，获取待处理问卷数据对应的数据处理结果；或者，也可以在检测到用户触发查看结果控件后，获取待处理问卷数据对应的数据处理结果。当然，本实施例还可以是在检测到管理员触发批量问卷有效性检测控件时，批量获取数据库中的数据处理结果。
55.s120、基于所述数据处理结果中具备关联关系的题目组的得分序列信息，确定所述具备关联关系的题目组对应的第一处理可信度。
56.其中，得分序列信息可以是题目组中各个待处理题目对应的答案选择项，也可以是题目组中各个待处理题目对应的答案分值。具体的，可以根据题目组的得分序列信息以及题目组之间的关联关系，确定具备关联关系的题目组对应的第一处理可信度。
57.例如，若各题目组之间的关联关系为重复性序列，则可以比对各题目组的得分序列信息是否一致，若不一致，则第一处理可信度可以为0；或者，比对各题目组的得分序列信息，确定得分信息一致的题目比例，将该比例作为第一处理可信度。其中，具备同一关联关系的题目组的数量可以是不局限于两个，还可以是三个等；同时具备关联关系的题目组的数量也可以是多个。
58.当然，需要说明的是，互为重复性序列的各题目组中各个待处理题目的排列顺序可以不同，因此，在比对两个题目组的得分序列信息的过程中，需要按照关联关系寻找对应的待处理题目进行比对。
59.在一种可选的实施方式中，所述基于所述数据处理结果中具备关联关系的题目组的得分序列信息，确定所述具备关联关系的题目组对应的第一处理可信度，包括：针对所述待处理问卷数据中具备关联关系的至少两个题目组，基于各所述题目组的得分序列信息计算各所述得分序列信息之间的相关系数；基于所述相关系数确定所述具备关联关系的题目组对应的第一处理可信度。
60.如，以具备关联关系的题目组的数量为2个为例，可以采用如下公式计算具备关联关系的各题目组的得分序列信息之间的相关系数：
[0061][0062]
其中，s1、s2分别表示具备关联关系的两个题目组的得分序列信息，ρ(s1,s2)表示具备关联关系的各题目组之间的相关系数，cov(s1,s2)为s1和s2的协方差，d(s1)、d(s2)分别为s1和s2的方差。采用上述公式计算得到的相关系数的取值为[-1,1]，相关系数的绝对值越接近1，则表明两个题目组的得分序列信息之间的线性相关性越高，相关系数的绝对值越接近0.则表明两个题目组的得分序列信息之间的线性相关性越低。
[0063]
进一步的，在计算出具备关联关系的各题目组的得分序列信息之间的相关系数后，可以直接将该相关系数作为第一处理可信度。若具备关联关系的题目组的数量为两个以上，则可以基于上述公式计算其中任意两个题目组之间的相关系数，进而将各相关系数的均值作为第一处理可信度，或者，将各相关系数中的绝对值最小值作为第一处理可信度，等。
[0064]
当然，还可以在计算出具备关联关系的题目组的得分序列信息之间的相关系数后，根据各个相关系数确定第一处理可信度。如，若所有相关系数均大于预设系数阈值，则第一处理可信度为具备可信度，若存在小于预设系数阈值的相关系数，则第一处理可信度为不具备可信度；又或者，若小于预设系数阈值的相关系数的个数占所有相关系数的比例不超过预设比例阈值，则第一处理可信度为具备可信度，等。
[0065]
在该可选的实施方式中，通过计算具备关联关系的各题目组的得分序列信息之间的相关系数，进而根据相关系数得到具备关联关系的题目组所对应的第一处理可信度，摒弃加入与问卷目的不相符的测谎题等传统方法，实现了基于强关联题目组的第一处理可信度的准确确定，以结合强关联题目判断问卷处理结果的有效性，提高了所判断出的问卷处理结果的有效性的准确性。
[0066]
s130、基于所述数据处理结果中各待处理题目的处理时间信息，确定各所述待处理题目对应的第二处理可信度。
[0067]
其中，待处理题目的处理时间信息可以是用户处理待处理题目的累计时长，即用户编辑待处理题目的答案的时长。具体的，本实施例可以根据各待处理题目的处理时间信息，计算出各个待处理题目对应的第二处理可信度。
[0068]
示例性的，可以根据待处理题目的处理时间信息以及预设处理时间阈值的比对结果，确定待处理题目对应的第二处理可信度。如，待处理题目的处理时间信息大于预设处理时间阈值，则该待处理题目对应的第二处理可信度为不具备可信度。
[0069]
在另一种实施方式中，所述基于所述数据处理结果中各待处理题目的处理时间信息，确定各所述待处理题目对应的第二处理可信度，还可以是：基于所述待处理问卷数据的处理时间信息，以及所述待处理问卷数据中各待处理题目的处理时间信息，确定各所述待处理题目的处理时间占比；基于各所述待处理题目的处理时间占比以及预设占比阈值，确定各所述待处理题目对应的第二处理可信度。
[0070]
即，可以根据数据处理结果中待处理问卷数据的处理时间信息，即总处理时间，以及各待处理题目的处理时间信息，计算出各待处理题目的处理时间信息在总处理时间中的占比，即处理时间占比；进一步的，将处理时间占比与预先设置的预设占比阈值进行比对，根据比对的结果得到各待处理题目对应的第二处理可信度。
[0071]
可选的，若待处理题目的处理时间占比大于预设占比阈值，则该待处理题目对应的第二处理可信度为不具备可信度。如，参见如下公式：
[0072][0073]
其中，tn为第n名测试者完成待处理问卷数据的处理时间信息，为第n名测试者完成待处理问卷数据的处理时间信息，为第m个待处理题目的处理时间信息；ρ为预设占比阈值。若满足上述公式，则可以确定该待处理题目对应的第二处理可信度为不具备可信度。
[0074]
在该可选的实施方式中，通过待处理问卷数据的处理时间信息以及各个待处理题目的处理时间信息计算各待处理题目的处理时间占比，进而根据各个待处理题目的处理时间占比以及预设占比阈值，确定各个待处理题目对应的第二处理可信度，实现了基于处理时间信息的第二处理可信度的准确确定，以结合题目处理时间判断问卷处理结果的有效
性，提高了所判断出的问卷处理结果的有效性的准确性。
[0075]
s140、根据所述第一处理可信度以及所述第二处理可信度，输出所述数据处理结果所属的类别，其中，所述类别包括结果无效类别和结果有效类别。
[0076]
在本实施例中，可以根据第一处理可信度以及第二处理可信度判断数据处理结果所属的类别，即判断数据处理结果为结果无效类别或结果有效类别。
[0077]
示例性的，考虑到如果心理测试问卷等问卷中存在一个或多个待处理题目的数据处理结果不具备可信度，则可以认为该数据处理结果为结果无效类别，以避免影响数据统计或结果评估的准确性。因此，在本实施例中，可以是数据处理结果中具备关联关系的题目组对应的第一处理可信度和各待处理题目对应的第二处理可信度均为具备可信度时，输出该数据处理结果所属类别为结果有效类别；否则，若存在具备关联关系的题目组对应的第一处理可信度为不具备可信度，或者，存在待处理题目对应的第二处理可信度为不具备可信度，则输出数据处理结果所属类别为结果无效类别。
[0078]
可选的，本实施例还可以是在具备关联关系的题目组对应的第一处理可信度和各个待处理题目对应的第二处理可信度均为不具备可信度时，输出数据处理结果所属类别为结果无效类别。或者，还可以是若具备关联关系的题目组对应的第一处理可信度均为具备可信度，且，第二处理可信度为不具备可信度的待处理题目的数量不超过预设数量阈值，则输出数据处理结果所属类别为结果有效类别。又或者，还可以是若具备关联关系的题目组对应的第一处理可信度均为具备可信度，且，第二处理可信度为不具备可信度的待处理题目的比例不超过设定比例，则输出数据处理结果所属类别为结果有效类别。
[0079]
本实施例的技术方案，通过获取待处理问卷数据对应的数据处理结果，根据数据处理结果中具备关联关系的题目组的得分序列信息，确定具备关联关系的题目组对应的第一处理可信度，并根据数据处理结果中各待处理题目的处理时间信息确定各待处理题目对应的第二处理可信度，进而根据第一处理可信度和第二处理可信度，确定待处理问卷数据对应的数据处理结果所属的类别，实现了对待处理问卷数据对应的数据处理结果的有效性判断，该方法结合了具备关联关系的题目组的得分序列信息和题目的处理时间检测问卷的数据处理结果的有效性，提高了问卷的数据处理结果的有效性检测的准确性，解决了现有技术中无法准确确定问卷结果是否有效以及无法适用于大范围调查的互联网问卷的技术问题。
[0080]
实施例二
[0081]
图2是本发明实施例二提供的一种问卷处理结果的有效性判断方法的流程示意图，本实施例在上述各实施例的基础上，对根据所述第一处理可信度以及所述第二处理可信度，输出所述数据处理结果所属的类别的过程进行了补充说明。如图2所示，该方法包括：
[0082]
s210、获取待处理问卷数据对应的数据处理结果，其中，所述数据处理结果包括得分序列信息、处理时间信息和用户图像信息。
[0083]
其中，用户图像信息可以是采集的处理待处理问卷数据的答题者的图像。可选的，可以通过计算机摄像头、手机摄像头等图像采集装置获取待处理问卷数据对应的用户图像信息。
[0084]
在本实施例中，数据处理结果中可以包括每一个待处理题目对应的用户图像信息，即可以在待处理问卷数据的答题过程中，答题者每回答一个待处理题目就进行一次用
户图像信息的采集。
[0085]
s220、基于所述数据处理结果中具备关联关系的题目组的得分序列信息，确定所述具备关联关系的题目组对应的第一处理可信度，基于所述数据处理结果中各待处理题目的处理时间信息，确定各所述待处理题目对应的第二处理可信度。
[0086]
s230、基于各所述待处理题目的用户图像信息确定各所述待处理题目的第三处理可信度。
[0087]
在一种可选的实施方式中，所述基于各所述待处理题目的用户图像信息确定各所述待处理题目的第三处理可信度，可以是：基于各所述待处理题目的用户图像信息以及预先训练的面部表情识别模型，确定用户处理各所述待处理题目的表情类别；根据所述用户处理各所述待处理题目的表情类别，确定各所述待处理题目的第三处理可信度。
[0088]
其中，预先训练的面部表情识别模型可以根据输入的用户图像信息输出与该用户图像信息对应的表型类别。进一步的，若面部表情识别模型输出的表情类别为预先设置的无效表情类别，则待处理题目的第三处理可信度可以为不具备可信度。可选的，预先设置的无效表情类别包括但不限于苦恼、眼神飘离等。
[0089]
在该可选的实施方式中，通过预先训练的面部表情识别模型和待处理题目的用户图像信息，识别该待处理题目的表情类别，进而根据表情类别确定该待处理题目的第三处理可信度，实现了基于表情识别的第三处理可信度的准确确定，以进一步结合用户表情判断问卷处理结果的有效性，提高了所判断出的问卷处理结果的有效性的准确性。
[0090]
在另一种可选的实施方式中，所述基于各所述待处理题目的用户图像信息确定各所述待处理题目的第三处理可信度，还可以是：基于各所述待处理题目的用户图像信息确定用户处理各所述待处理题目的表情特征和肢体特征；根据所述用户处理各所述待处理题目的表情特征和肢体特征，确定各所述待处理题目的第三处理可信度。
[0091]
其中，根据所述用户处理各所述待处理题目的表情特征和肢体特征，确定各所述待处理题目的第三处理可信度，可以是：获取预先设置的无效表情特征以及无效肢体特征，将该待处理题目的表情特征和肢体特征分别与无效表情特征以及无效肢体特征进行比对，若待处理题目的表情特征与无效表情特征之间的特征距离超过预设距离阈值，或者，待处理题目的肢体特征与无效肢体特征之间的特征距离超过预设距离阈值，则可以确定该待处理题目的第三处理可信度为不具备可信度。
[0092]
可选的，特征距离可以通过计算特征之间的欧氏距离得到。无效表情特征可以是描述无效表情类别的特征；无效肢体特征可以是描述无效肢体动作类别的特征，如抚摸脸颊、摸鼻、挠头等思考肢体动作。
[0093]
在该可选的实施方式中，通过待处理题目的用户图像信息获取用户处理该待处理题目的表情特征和肢体特征，进而根据表情特征和肢体特征确定该待处理题目的第三处理可信度，实现了基于表情特征和肢体特征的第三处理可信度的准确确定，以进一步结合用户表情和肢体动作判断问卷处理结果的有效性，提高了所判断出的问卷处理结果的有效性的准确性。
[0094]
s240、根据所述第一处理可信度、所述第二处理可信度以及所述第三处理可信度，输出所述数据处理结果所属的类别。
[0095]
具体的，本实施例可以结合第一处理可信度、第二处理可信度以及第三处理可信
度确定数据处理结果所属的类别。
[0096]
如，可选的，所述根据所述第一处理可信度、所述第二处理可信度以及所述第三处理可信度，输出所述数据处理结果所属的类别，包括：若所述第一处理可信度、所述第二处理可信度以及所述第三处理可信度均为具备可信度，则输出所述数据处理结果所属的类别为结果有效类别。
[0097]
即，当所有具备关联关系的题目组的第一处理可信度为具备可信度、所有待处理题目的第二处理可信度为具备可信度、且所有待处理题目的第三处理可信度为具备可信度时，输出数据处理结果所属的类别为结果有效类别。
[0098]
可选的，针对属于结果有效类别的数据处理结果，可以保留数据处理结果进行后续统计分析和计算；针对属于结果无效类别的数据处理结果，可以从数据库中丢弃数据处理结果。
[0099]
在该可选的实施方式中，仅在数据处理结果的第一处理可信度、第二处理可信度和第三处理可信度均为具备可信度时，判断该数据处理结果为结果有效类别，即数据处理结果有效，在其余情况下均可判断数据处理结果为结果无效类别，避免了部分题目不具备可信度时影响数据统计或评估的准确性。
[0100]
当然，在另一种可选的实施方式中，还可以是第一处理可信度、第二处理可信度以及第三处理可信度均为不具备可信度时，输出数据处理结果所属的类别为结果无效类别，否则，输出数据处理结果所属的类别为结果有效类别。
[0101]
本实施例的技术方案，通过待处理题目的用户图像信息确定待处理题目对应的第三处理可信度，进而根据第一处理可信度、第二处理可信度和第三处理可信度判断数据处理结果所属的类别，实现了基于强关联题目组、题目处理时间以及题目处理图像的有效性判断，通过强关联题目组、题目处理时间以及题目处理图像的多参量融合分析得到数据处理结果的有效性，更加准确地检测问卷处理结果的有效性。并且，该方法适用于对大范围调查的互联网问卷，可以对数据库中的互联网问卷的数据处理结果进行批量检测。
[0102]
实施例三
[0103]
图3是本发明实施例三提供的一种问卷处理结果的有效性判断装置的结构示意图。如图3所示，该装置包括结果获取模块310、可信度确定第一模块320、可信度确定第二模块330以及类别输出模块340。其中：
[0104]
结果获取模块310，用于获取待处理问卷数据对应的数据处理结果，其中，所述数据处理结果包括得分序列信息以及处理时间信息；
[0105]
可信度确定第一模块320，用于基于所述数据处理结果中具备关联关系的题目组的得分序列信息，确定所述具备关联关系的题目组对应的第一处理可信度；
[0106]
可信度确定第二模块330，用于基于所述数据处理结果中各待处理题目的处理时间信息，确定各所述待处理题目对应的第二处理可信度；
[0107]
类别输出模块340，用于根据所述第一处理可信度以及所述第二处理可信度，输出所述数据处理结果所属的类别，其中，所述类别包括结果无效类别和结果有效类别。
[0108]
可选的，所述数据处理结果还包括用户图像信息，所述类别输出模块340包括可信度确定第三单元和类别判断单元；其中，所述可信度确定第三单元，用于基于各所述待处理题目的用户图像信息确定各所述待处理题目的第三处理可信度；所述类别判断单元，用于
根据所述第一处理可信度、所述第二处理可信度以及所述第三处理可信度，输出所述数据处理结果所属的类别。
[0109]
可选的，所述可信度确定第三单元，具体用于：
[0110]
基于各所述待处理题目的用户图像信息以及预先训练的面部表情识别模型，确定用户处理各所述待处理题目的表情类别；根据所述用户处理各所述待处理题目的表情类别，确定各所述待处理题目的第三处理可信度。
[0111]
可选的，所述可信度确定第三单元，具体用于：
[0112]
基于各所述待处理题目的用户图像信息确定用户处理各所述待处理题目的表情特征和肢体特征；根据所述用户处理各所述待处理题目的表情特征和肢体特征，确定各所述待处理题目的第三处理可信度。
[0113]
可选的，所述可信度确定第一模块320，具体用于：
[0114]
针对所述待处理问卷数据中具备关联关系的至少两个题目组，基于各所述题目组的得分序列信息计算各所述得分序列信息之间的相关系数；基于所述相关系数确定所述具备关联关系的题目组对应的第一处理可信度。
[0115]
可选的，所述可信度确定第二模块330，具体用于：
[0116]
基于所述待处理问卷数据的处理时间信息，以及所述待处理问卷数据中各待处理题目的处理时间信息，确定各所述待处理题目的处理时间占比；基于各所述待处理题目的处理时间占比以及预设占比阈值，确定各所述待处理题目对应的第二处理可信度。
[0117]
可选的，所述类别判断单元，具体用于：
[0118]
若所述第一处理可信度、所述第二处理可信度以及所述第三处理可信度均为具备可信度，则输出所述数据处理结果所属的类别为结果有效类别。
[0119]
本实施例的技术方案，通过获取待处理问卷数据对应的数据处理结果，根据数据处理结果中具备关联关系的题目组的得分序列信息，确定具备关联关系的题目组对应的第一处理可信度，并根据数据处理结果中各待处理题目的处理时间信息确定各待处理题目对应的第二处理可信度，进而根据第一处理可信度和第二处理可信度，确定待处理问卷数据对应的数据处理结果所属的类别，实现了对待处理问卷数据对应的数据处理结果的有效性判断，该方法结合了具备关联关系的题目组的得分序列信息和题目的处理时间检测问卷的数据处理结果的有效性，提高了问卷的数据处理结果的有效性检测的准确性，解决了现有技术中无法准确确定问卷结果是否有效以及无法适用于大范围调查的互联网问卷的技术问题。
[0120]
本发明实施例所提供的问卷处理数据的有效性判断装置可执行本发明任意实施例所提供的问卷处理数据的有效性判断方法，具备执行方法相应的功能模块和有益效果。
[0121]
实施例四
[0122]
图4是本发明实施例四提供的一种电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
[0123]
如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
[0124]
电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0125]
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如问卷处理数据的有效性判断方法。
[0126]
在一些实施例中，问卷处理数据的有效性判断方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的问卷处理数据的有效性判断方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行问卷处理数据的有效性判断方法。
[0127]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0128]
用于实施本发明问卷处理数据的有效性判断方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0129]
实施例五
[0130]
本发明实施例五还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行一种问卷处理数据的有效性判断方法，该方法包括：
[0131]
获取待处理问卷数据对应的数据处理结果，其中，所述数据处理结果包括得分序列信息以及处理时间信息；
[0132]
基于所述数据处理结果中具备关联关系的题目组的得分序列信息，确定所述具备关联关系的题目组对应的第一处理可信度；
[0133]
基于所述数据处理结果中各待处理题目的处理时间信息，确定各所述待处理题目对应的第二处理可信度；
[0134]
根据所述第一处理可信度以及所述第二处理可信度，输出所述数据处理结果所属的类别，其中，所述类别包括结果无效类别和结果有效类别。
[0135]
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0136]
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0137]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
[0138]
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
[0139]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
[0140]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明
的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。