基于遺傳算法的試題庫智能選題組卷方法

鄧倫丹,熊 婷

(南昌大學 科學技術學院,江西 共青城 332020)

0 引言

網絡教學更加重視知識與學生的實際結合狀態[1],因此,可以將網絡教學與線下教學進行有機整合提高教學效率。近年來,國內外研發了各種與網絡教學相關的輔助教學系統,將計算機作為線上考核中心,完成各種規模的網絡考試[2]。研究表明,在考核過程中,在試題庫中進行隨機組卷,整體難度偏高,難以調整考試知識覆蓋程度,為提高線上考核效果[3],需設計出有效的試題庫智能選題組卷方法。

網絡考試的設置對后續優化現有教育模式十分重要[4],網絡考試可以根據學生的學習內容及時對試題庫進行維護更新[4],根據學生的學習內容及時對試題庫進行維護更新,降低教師的閱卷難度,提高考評的綜合效率。在試題庫智能選題的過程中[5],形成符合測試需求的試卷,對智能選題的科學合理性要求較高。針對智能選題組卷特點設計幾種常規的試題庫智能選題組卷方法:第一種是基于Python的智能組卷方法[6],其主要利用TKinter模塊創建智能選題應用程序,完成智能選題;第二種是基于PHP的智能組卷方法[7],其主要根據題量分配參數進行分值合計,完成智能選題。但上述兩種智能選題組卷方法均需使用AutoCAD軟件進行試題動態預覽布局,易受選題組卷關聯場景變化影響,導致組卷知識點覆蓋度偏低。因此,本文基于遺傳算法設計了一種全新的試題庫智能選題組卷方法。

1 利用遺傳算法的試題庫智能選題組卷方法設計

1.1 構建智能試題庫組卷數學模型

常規試題中包含的基礎屬性信息較多,根據常規試題的基礎特征[8],可對組卷等級進行編碼。根據試題庫等級編碼可以確定不同選題指標的基礎含義[9],劃分選題組卷難度。本文使用加權平均法,結合試卷的信度與效度共同計算試卷的難度,確定選題指標。在計算機完成選題操作過程中,根據搜索參數匹配關系進行查找重組[10],生成最終的試卷。為了滿足選題組卷的智能化要求,本文設計的方法構建了智能試題庫組卷數學模型。

本文根據組卷基礎要求,進行描述,生成組卷參數指標體系P,如式(1)所示。

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

(1)

式(1)中,p1,p2,...,pn代表指標體系中試題的屬性變量。在實際組卷過程中,受理論閾值影響,可能會出現多屬性對應單個取值的問題,因此,本文根據選題值域變化特征劃分了選題范圍,此時設置的智能選題指標S如式(2)所示。

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

(2)

式(2)中,HP1,HP2,...,HPn代表不同題型的選題范圍,此時可以將試題看成某參數集進行整合,設置不同的試題編號,計算試題數量,此時的生成的智能選題組卷數學模型E如式(3)所示。

E={α,γ,d,q}

(3)

式(3)中,α代表測試試卷的信度,γ代表被測試試卷的效度,d代表試卷的平均難度,q代表試卷的整體區分度。

使用上述的智能選題組卷模型可以設置基礎的試題編號,統計試題反饋的知識點。智能選題組卷需要使用有效的組卷智能平臺。因此,本文使用B/S模式替代傳統的一對一模式,生成了全新的智能化組卷體系,使用上述的智能組卷體系可以生成科學、合理的智能組卷程序,全面完成試題的匹配與重組,提高選題組卷的智能性,保證組卷知識的基礎覆蓋率。

1.2 生成組卷關聯推理預選試題庫

在智能組卷的過程中,需要確定不同試題的基礎屬性,總結有效的選題組卷約束條件。本文根據關聯約束選擇生成了組卷關聯推理預選試題庫,該試題庫需要滿足以下約束條件:(1)組卷關聯推理預選試題庫必須包括全部試題分度,試題的難度和比例需要合理重組;(2)試題庫的題型分布和試題總量需滿足相應的測試格式;(3)試題庫的難度、試題耗時等參數需要并行設置,實現交叉統一。針對上述的試題庫生成要求,本文設置了基礎約束條件C,如式(4)所示。

C=(Er,pi,Hpi)

(4)

式(4)中,Er代表基礎參數要求的組卷范圍,pi代表基礎屬性變量,Hpi代表滿足基礎屬性變量的統計量數值。根據上述設置的基礎約束條件,可以進行指標體系降維處理,降低組卷復雜度,即將組卷指標進行關聯,按照章節數選取試題,預設試卷分值,接下來,再進行試卷初始化,劃分不同單元的題量。

在組卷過程中,經常面對同一題型的組卷問題,需要將其轉變為多維狀態空間,再進行統一處理。推理機可以根據關聯狀態生成相應的組卷匹配策略,實現推理預選。本文使用推理機確定的組卷推理因素,排除了無用的參數組合,確定的組卷范圍,提高了最終的組卷質量。此時可以生成必選因素結合,按照組卷復雜約束要求提高組卷的表達性,使其與基礎組卷要求相匹配,此時生成的預選試題庫如表1所示。

表1 組卷推理預選試題庫

由表1可知,上述組卷推理預選試題庫可以根據不同的組卷屬性確定編碼范圍,統一完成選題組卷的降維處理,最大限度地提高了組卷的可靠性。

1.3 基于遺傳算法設計試題庫智能組卷適應度函數

為了解決常規的試題庫智能選題組卷方法存在的組卷問題,提高組卷知識的覆蓋率,本文基于遺傳算法設計了試題庫智能組卷適應度函數。遺傳算法符合自然進化規則,當初始群體產生后,會根據優勝劣汰原則進行迭代,按照個體適應度生成全新的個體,這些個體也被稱為新的種群。因此,使用遺傳算法得到的選題組卷函數的適應度更高,可以將其看成組卷的最優解。

在組卷的過程中,需要從試題庫中抽取試題,按照知識點測試要求確定試題的分布關系,生成初始約束條件。但受隨機性影響,組卷的試題覆蓋全部知識點的可能性偏低,且會隨著考試科目和考試章節變化。本文根據考試章節的難度比例分布關系計算了組卷難度參數di,如式(5)所示。

(5)

式(5)中,mi代表試題的分數組成,根據上述的組卷難度參數可以確定組卷的分布式參數結構,規劃試題的總時間。為了有效地進行選題組卷區分,本文需要解決遺傳算法的編碼問題,即將原本的映射編碼進行了適應度處理,降低了編碼的初始長度。接下來,引入相關的遺傳算子,進行分段實數編碼處理,得到的難度分布偏差f(x)如式(6)所示。

f(x)=error(c,x)

(6)

式(6)中,(c,x)章節檢索點代表,此時可以進行誤差分析假設,生成的適應度函數Q(f)如式(7)所示。

(7)

2 實驗

為驗證設計基于遺傳算法的試題庫智能選題組卷方法的選題組卷效果,本文選取有效的開發工具,將其與秦哲等[7]、陳慧等[8]兩種常規的試題庫智能選題組卷方法對比進行實驗。

2.1 實驗準備

根據智能選題組卷實驗需求,本文將某校的基礎教學考試數據作為基礎數據,進行綜合分析,使用ASP開發技術生成實驗數據庫,搭建Javascript實驗平臺。該實驗平臺使用Windows作為操作系統,通過IIS 6.0完成Web服務,實驗瀏覽器選取Internet Explorer 6.0及以上版本。為更貼近實際選題組卷狀態,本實驗選取Microsoft SQL Server 2005作為數據庫,通過Nunit測試工具生成了ASP NET Ajax實驗框架。

設置的基礎試題庫的完善程度直接影響最終的實驗結果。因此,本實驗根據基礎教育測量標準,使用單一化數據表生成了實驗試題庫,進行了前期數據管理,避免數據冗余作用影響最終的實驗結果,實驗試題庫的組成結構如圖1所示。

圖1 實驗試題庫組成結構

由圖1可知,實驗試題庫主要由若干個題型分解為若干個知識點,不同的試題包含的參數不同,本文設置的部分試題數據結構如表2所示。

表2 試題數據結構

由表2可知,結合上述設置的實驗數據庫,可以劃分實驗數據子集,對選題數據進行篩選,生成基礎的實驗參數。根據考試要求的知識點類型對實驗題目進行初步篩選,設置基礎試題框架及實驗約束條件,此時可以將組卷知識覆蓋率F作為實驗指標,計算式如式(8)所示。

F=(S/SA)×100%

(8)

式(8)中,S代表選題組卷生成試卷滿足約束知識點要求的題目數量,SA代表約束知識點總數量。組卷知識覆蓋率越高,證明智能選題組卷方法的組卷效果越好,反之則證明智能選題組卷方法的組卷效果相對較差。

實驗設置的總試題庫試題數量為1 536道,其中包含5類題型,組卷框架包括單選題、多選題、判斷題、案例分析題;難易級別則分為容易、中等、困難。根據上述的難易級別可以將知識點與章節進行聯系,設置基礎區分度系數,待上述準備完畢后,即可得出智能選題組卷結果。

2.2 實驗結果與討論

根據上述的實驗概況分別使用本文設計的基于遺傳算法的試題庫智能選題組卷方法,秦哲等[7]的基于Python的智能組卷方法以及陳慧等[8]的基于PHP的智能組卷方法進行組卷,使用式(8)計算3種方法在不同難度級別下的組卷知識覆蓋率,實驗結果如表3所示。

表3 實驗結果

由表3可知,在相同的組卷環境下,本文設計的基于遺傳算法的試題庫智能選題組卷方法的組卷知識覆蓋率始終較高,超過了90%,秦哲等[7]和陳慧等[8]的研究方法相比,更具有可靠性,有一定的應用價值。

3 結語

線上考試的學習效果度量方法對制定后續學習方案十分重要。因此,需生成合理的線上考試試卷。常規的線上試題庫智能選題組卷方法的組卷效果較差,本文基于遺傳算法設計一種全新的試題庫智能選題組卷方法進行實驗。結果表明,設計的智能選題組卷方法的組卷效果較好,知識覆蓋度較高,具有可靠性,有一定的應用價值。