基于遗传算法的试题库智能选题组卷方法

邓伦丹,熊 婷

(南昌大学 科学技术学院,江西 共青城 332020)

0 引言

网络教学更加重视知识与学生的实际结合状态[1],因此,可以将网络教学与线下教学进行有机整合提高教学效率。近年来,国内外研发了各种与网络教学相关的辅助教学系统,将计算机作为线上考核中心,完成各种规模的网络考试[2]。研究表明,在考核过程中,在试题库中进行随机组卷,整体难度偏高,难以调整考试知识覆盖程度,为提高线上考核效果[3],需设计出有效的试题库智能选题组卷方法。

网络考试的设置对后续优化现有教育模式十分重要[4],网络考试可以根据学生的学习内容及时对试题库进行维护更新[4],根据学生的学习内容及时对试题库进行维护更新,降低教师的阅卷难度,提高考评的综合效率。在试题库智能选题的过程中[5],形成符合测试需求的试卷,对智能选题的科学合理性要求较高。针对智能选题组卷特点设计几种常规的试题库智能选题组卷方法:第一种是基于Python的智能组卷方法[6],其主要利用TKinter模块创建智能选题应用程序,完成智能选题;第二种是基于PHP的智能组卷方法[7],其主要根据题量分配参数进行分值合计,完成智能选题。但上述两种智能选题组卷方法均需使用AutoCAD软件进行试题动态预览布局,易受选题组卷关联场景变化影响,导致组卷知识点覆盖度偏低。因此,本文基于遗传算法设计了一种全新的试题库智能选题组卷方法。

1 利用遗传算法的试题库智能选题组卷方法设计

1.1 构建智能试题库组卷数学模型

常规试题中包含的基础属性信息较多,根据常规试题的基础特征[8],可对组卷等级进行编码。根据试题库等级编码可以确定不同选题指标的基础含义[9],划分选题组卷难度。本文使用加权平均法,结合试卷的信度与效度共同计算试卷的难度,确定选题指标。在计算机完成选题操作过程中,根据搜索参数匹配关系进行查找重组[10],生成最终的试卷。为了满足选题组卷的智能化要求,本文设计的方法构建了智能试题库组卷数学模型。

本文根据组卷基础要求,进行描述,生成组卷参数指标体系P,如式(1)所示。

P={p1,p2,...,pn}

(1)

式(1)中,p1,p2,...,pn代表指标体系中试题的属性变量。在实际组卷过程中,受理论阈值影响,可能会出现多属性对应单个取值的问题,因此,本文根据选题值域变化特征划分了选题范围,此时设置的智能选题指标S如式(2)所示。

S={HP1,HP2,...,HPn}

(2)

式(2)中,HP1,HP2,...,HPn代表不同题型的选题范围,此时可以将试题看成某参数集进行整合,设置不同的试题编号,计算试题数量,此时的生成的智能选题组卷数学模型E如式(3)所示。

E={α,γ,d,q}

(3)

式(3)中,α代表测试试卷的信度,γ代表被测试试卷的效度,d代表试卷的平均难度,q代表试卷的整体区分度。

使用上述的智能选题组卷模型可以设置基础的试题编号,统计试题反馈的知识点。智能选题组卷需要使用有效的组卷智能平台。因此,本文使用B/S模式替代传统的一对一模式,生成了全新的智能化组卷体系,使用上述的智能组卷体系可以生成科学、合理的智能组卷程序,全面完成试题的匹配与重组,提高选题组卷的智能性,保证组卷知识的基础覆盖率。

1.2 生成组卷关联推理预选试题库

在智能组卷的过程中,需要确定不同试题的基础属性,总结有效的选题组卷约束条件。本文根据关联约束选择生成了组卷关联推理预选试题库,该试题库需要满足以下约束条件:(1)组卷关联推理预选试题库必须包括全部试题分度,试题的难度和比例需要合理重组;(2)试题库的题型分布和试题总量需满足相应的测试格式;(3)试题库的难度、试题耗时等参数需要并行设置,实现交叉统一。针对上述的试题库生成要求,本文设置了基础约束条件C,如式(4)所示。

C=(Er,pi,Hpi)

(4)

式(4)中,Er代表基础参数要求的组卷范围,pi代表基础属性变量,Hpi代表满足基础属性变量的统计量数值。根据上述设置的基础约束条件,可以进行指标体系降维处理,降低组卷复杂度,即将组卷指标进行关联,按照章节数选取试题,预设试卷分值,接下来,再进行试卷初始化,划分不同单元的题量。

在组卷过程中,经常面对同一题型的组卷问题,需要将其转变为多维状态空间,再进行统一处理。推理机可以根据关联状态生成相应的组卷匹配策略,实现推理预选。本文使用推理机确定的组卷推理因素,排除了无用的参数组合,确定的组卷范围,提高了最终的组卷质量。此时可以生成必选因素结合,按照组卷复杂约束要求提高组卷的表达性,使其与基础组卷要求相匹配,此时生成的预选试题库如表1所示。

表1 组卷推理预选试题库

由表1可知,上述组卷推理预选试题库可以根据不同的组卷属性确定编码范围,统一完成选题组卷的降维处理,最大限度地提高了组卷的可靠性。

1.3 基于遗传算法设计试题库智能组卷适应度函数

为了解决常规的试题库智能选题组卷方法存在的组卷问题,提高组卷知识的覆盖率,本文基于遗传算法设计了试题库智能组卷适应度函数。遗传算法符合自然进化规则,当初始群体产生后,会根据优胜劣汰原则进行迭代,按照个体适应度生成全新的个体,这些个体也被称为新的种群。因此,使用遗传算法得到的选题组卷函数的适应度更高,可以将其看成组卷的最优解。

在组卷的过程中,需要从试题库中抽取试题,按照知识点测试要求确定试题的分布关系,生成初始约束条件。但受随机性影响,组卷的试题覆盖全部知识点的可能性偏低,且会随着考试科目和考试章节变化。本文根据考试章节的难度比例分布关系计算了组卷难度参数di,如式(5)所示。

(5)

式(5)中,mi代表试题的分数组成,根据上述的组卷难度参数可以确定组卷的分布式参数结构,规划试题的总时间。为了有效地进行选题组卷区分,本文需要解决遗传算法的编码问题,即将原本的映射编码进行了适应度处理,降低了编码的初始长度。接下来,引入相关的遗传算子,进行分段实数编码处理,得到的难度分布偏差f(x)如式(6)所示。

f(x)=error(c,x)

(6)

式(6)中,(c,x)章节检索点代表,此时可以进行误差分析假设,生成的适应度函数Q(f)如式(7)所示。

(7)

2 实验

为验证设计基于遗传算法的试题库智能选题组卷方法的选题组卷效果,本文选取有效的开发工具,将其与秦哲等[7]、陈慧等[8]两种常规的试题库智能选题组卷方法对比进行实验。

2.1 实验准备

根据智能选题组卷实验需求,本文将某校的基础教学考试数据作为基础数据,进行综合分析,使用ASP开发技术生成实验数据库,搭建Javascript实验平台。该实验平台使用Windows作为操作系统,通过IIS 6.0完成Web服务,实验浏览器选取Internet Explorer 6.0及以上版本。为更贴近实际选题组卷状态,本实验选取Microsoft SQL Server 2005作为数据库,通过Nunit测试工具生成了ASP NET Ajax实验框架。

设置的基础试题库的完善程度直接影响最终的实验结果。因此,本实验根据基础教育测量标准,使用单一化数据表生成了实验试题库,进行了前期数据管理,避免数据冗余作用影响最终的实验结果,实验试题库的组成结构如图1所示。

图1 实验试题库组成结构

由图1可知,实验试题库主要由若干个题型分解为若干个知识点,不同的试题包含的参数不同,本文设置的部分试题数据结构如表2所示。

表2 试题数据结构

由表2可知,结合上述设置的实验数据库,可以划分实验数据子集,对选题数据进行筛选,生成基础的实验参数。根据考试要求的知识点类型对实验题目进行初步筛选,设置基础试题框架及实验约束条件,此时可以将组卷知识覆盖率F作为实验指标,计算式如式(8)所示。

F=(S/SA)×100%

(8)

式(8)中,S代表选题组卷生成试卷满足约束知识点要求的题目数量,SA代表约束知识点总数量。组卷知识覆盖率越高,证明智能选题组卷方法的组卷效果越好,反之则证明智能选题组卷方法的组卷效果相对较差。

实验设置的总试题库试题数量为1 536道,其中包含5类题型,组卷框架包括单选题、多选题、判断题、案例分析题;难易级别则分为容易、中等、困难。根据上述的难易级别可以将知识点与章节进行联系,设置基础区分度系数,待上述准备完毕后,即可得出智能选题组卷结果。

2.2 实验结果与讨论

根据上述的实验概况分别使用本文设计的基于遗传算法的试题库智能选题组卷方法,秦哲等[7]的基于Python的智能组卷方法以及陈慧等[8]的基于PHP的智能组卷方法进行组卷,使用式(8)计算3种方法在不同难度级别下的组卷知识覆盖率,实验结果如表3所示。

表3 实验结果

由表3可知,在相同的组卷环境下,本文设计的基于遗传算法的试题库智能选题组卷方法的组卷知识覆盖率始终较高,超过了90%,秦哲等[7]和陈慧等[8]的研究方法相比,更具有可靠性,有一定的应用价值。

3 结语

线上考试的学习效果度量方法对制定后续学习方案十分重要。因此,需生成合理的线上考试试卷。常规的线上试题库智能选题组卷方法的组卷效果较差,本文基于遗传算法设计一种全新的试题库智能选题组卷方法进行实验。结果表明,设计的智能选题组卷方法的组卷效果较好,知识覆盖度较高,具有可靠性,有一定的应用价值。