CN109783601A - 基于测试知识点的计算机智能组卷方法及其系统 - Google Patents

基于测试知识点的计算机智能组卷方法及其系统 Download PDF

Info

Publication number
CN109783601A
CN109783601A CN201811408595.9A CN201811408595A CN109783601A CN 109783601 A CN109783601 A CN 109783601A CN 201811408595 A CN201811408595 A CN 201811408595A CN 109783601 A CN109783601 A CN 109783601A
Authority
CN
China
Prior art keywords
knowledge
examination
point
testing point
examination question
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811408595.9A
Other languages
English (en)
Other versions
CN109783601B (zh
Inventor
张新华
颜懿
胡应科
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Lange Technology Co Ltd
Original Assignee
Zhejiang Lange Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Lange Technology Co Ltd filed Critical Zhejiang Lange Technology Co Ltd
Priority to CN201811408595.9A priority Critical patent/CN109783601B/zh
Publication of CN109783601A publication Critical patent/CN109783601A/zh
Application granted granted Critical
Publication of CN109783601B publication Critical patent/CN109783601B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及教育领域,公开了一种基于测试知识点的计算机智能组卷方法及其系统,可以确保试卷所包含的测试知识点与实际测试要求高度相符。该方法包括,确定测试知识点域和试卷模板,计算机系统重复执行以下各步骤直至所述试卷模板中所有试题抽取完毕:从所述测试知识点域中选择一个知识点,并且根据所述试卷模板选择一个抽题题型;根据所选的抽题题型从预设的试题库中抽取包含所选的知识点的试题;将所述试题包含的所有知识点从所述测试知识点域中排除。

Description

基于测试知识点的计算机智能组卷方法及其系统
技术领域
本申请涉及教育领域,特别涉及基于计算机的智能组卷技术。
背景技术
试卷考试是用于考察学生对所学知识掌握程度的常规方法。每次考试出一份高质量的试卷,教师和专家需要花费大量的时间和精力。随着计算机技术的发展和教学手段现代化的需求,现在各种考试都逐渐采用了计算机自动组卷出题。
当前的自动组卷方法并没有有效结合实际教学应用中的测试要求,对不同测试要求下的考核知识点进行针对性组卷,生成的试卷所包含的测试知识点与实际测试要求不相符,达不到实用化水平。此外,在组卷的过程中,大多采用随机抽题组卷的方法,试卷中易出现同一个知识点重复考核,造成试题资源浪费,组成的试卷质量不高。
发明内容
本申请的目的在于提供一种基于测试知识点的计算机智能组卷方法及其系统,可以确保试卷所包含的测试知识点与实际测试要求高度相符。
为了解决上述问题,本申请公开了一种基于测试知识点的计算机智能组卷方法,包括,确定测试知识点域和试卷模板,计算机系统重复执行以下各步骤直至该试卷模板中所有试题抽取完毕:
从该测试知识点域中选择一个知识点,并且根据该试卷模板选择一个抽题题型;
根据所选的抽题题型从预设的试题库中抽取包含所选的知识点的试题;
将该试题包含的所有知识点从该测试知识点域中排除。
在一个优选例中,该确定测试知识点域和试卷模板的步骤之后,还包括:
对该试卷模板中的各种题型按照难度从高到低的顺序进行排序;
对该测试知识点域中的各个知识点按照要求掌握程度从高到低进行排序;
该“从该测试知识点域中选择一个知识点,并且根据该试卷模板选择一个抽题题型”的步骤中,优先选择该测试知识点域中要求掌握程度最高的知识点和该试卷模板中难度最高的题型。
在一个优选例中,该确定测试知识点域和试卷模板的步骤之前,还包括向该计算机系统输入组卷要求的步骤;
该组卷要求包括以下之一或其任意组合:测试应用场景、测试范围、试卷难度、区分度。
在一个优选例中,该确定测试知识点域和试卷模板包括以下步骤:
根据该测试范围,自动从测试知识点库中推荐知识点,显示在人机交互界面上供组卷者确认和筛选,最终得到组卷者确定的该测试知识点域;
根据该测试范围,自动从试卷模板库推荐试卷模板,显示在人机交互界面上供组卷者选择,最终得到组卷者确定的该试卷模板。
在一个优选例中,该测试知识点库是各类教材知识点库、或各类水平测试知识点库,其中,该知识点属性信息包括知识点名称及其要求掌握程度的一项或其任意组合;
该试题库是根据考试需求基于不同学科及学习阶段的考核特征构建的,该试题库中包括多个试题和试题属性信息,该试题属性信息包括题型、测试知识点名称、难度、区分度中的一项或其任意组合。
在一个优选例中,该根据所选的抽题题型从预设的试题库中抽取包含所选的知识点的试题的步骤进一步包括:
从该试题库中抽取满足所选的抽题题型、所选的知识点、该试卷难度和该区分度的试题;如果符合条件的试题数量大于1,则优先选择包含该测试知识点域中的知识点数量最多的一道试题;如果符合条件的多个试题包含该测试知识点域中的知识点数量相同,则优先选择区分度最大的一道试题。
在一个优选例中,该将该试题包含的所有知识点从该测试知识点域中排除的进一步包括:
从该测试知识点域中删除该试题包含的所有知识点,并将该试题包含的所有知识点移入已考核知识点域,在之后抽取试题时优先选择不包含该已考核知识点域中知识点的试题。
在一个优选例中,还包括:
在组卷完成后,将所生成的试卷显示到该计算机系统的人机交互界面以供组卷者审核和调整试题,以及保存组卷者最终确认的试卷。
本申请还公开了一种基于测试知识点的计算机智能组卷系统,包括:
存储器,用于存储计算机可执行指令;以及,
处理器,用于在执行该计算机可执行指令时实现如前文描述的方法中的步骤。
本申请还公开了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现如前文描述的方法中的步骤。
本申请实施方式能够根据组卷者的不同测试要求,快捷、有针对性的制作出高质量试卷,制作的试卷所包含的测试知识点与实际测试要求高度相符,试卷达到了实用水平。
此外,还可以避免同一个知识点重复考核,避免试题资源浪费,进一步提高了试卷的质量。
本申请的说明书中记载了大量的技术特征,分布在各个技术方案中,如果要罗列出本申请所有可能的技术特征的组合(即技术方案)的话,会使得说明书过于冗长。为了避免这个问题,本申请上述发明内容中公开的各个技术特征、在下文各个实施方式和例子中公开的各技术特征、以及附图中公开的各个技术特征,都可以自由地互相组合,从而构成各种新的技术方案(这些技术方案均因视为在本说明书中已经记载),除非这种技术特征的组合在技术上是不可行的。例如,在一个例子中公开了特征A+B+C,在另一个例子中公开了特征A+B+D+E,而特征C和D是起到相同作用的等同技术手段,技术上只要择一使用即可,不可能同时采用,特征E技术上可以与特征C相组合,则,A+B+C+D的方案因技术不可行而应当不被视为已经记载,而A+B+C+E的方案应当视为已经被记载。
附图说明
图1是根据本申请第一实施方式的基于测试知识点的计算机智能组卷方法流程示意图
图2是根据本申请一个实施例的根据测试知识点域及试卷模板进行智能抽题的流程示意图
具体实施方式
在以下的叙述中,为了使读者更好地理解本申请而提出了许多技术细节。但是,本领域的普通技术人员可以理解,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本申请所要求保护的技术方案。
部分概念的说明:
测试知识点域:是需要测试的知识点的集合。
知识点要求掌握程度:是教学大纲中规定测试者对知识点的学习及应用能力。
试题难度:难度系数是反映试题难易程度的数据,难度系数越大,题目得分率越高,难度也就越小。一道试题的难度系数计算公式是:P=试题平均分/该试题满分值。
试题区分度:区分度反映试题区分不同水平受试者的程度,区分度高的考试,优秀、一般、差三个层次的学生都有一定比例,若某一分数区间学生相对集中,高分太多或不及格太多的考试,区分度则低。一道试题的区分度计算公式是:D=(27﹪高分组的平均分-27﹪低分组的平均分)÷满分值。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请的实施方式作进一步地详细描述。
本申请的第一实施方式涉及一种基于测试知识点的计算机智能组卷方法,其流程如图1所示,该方法包括以下步骤:
在步骤101中,向计算机系统输入组卷要求。在一个实施例中,组卷要求包括测试应用场景、测试范围、试卷难度和区分度等。
此后进入步骤102,确定测试知识点域和试卷模板。在一个实施例中,本步骤进一步包括:根据测试范围,自动从测试知识点库中推荐知识点,显示在人机交互界面上供组卷者确认和筛选,最终根据组卷者的输入得到组卷者确定的测试知识点域;根据测试范围,自动从试卷模板库推荐试卷模板,显示在人机交互界面上供组卷者选择,最终根据组卷者的输入得到组卷者确定的试卷模板。测试知识点库可以是各类教材知识点库、或各类水平测试知识点库等等,其中,该知识点属性信息包括知识点名称及其要求掌握程度。
此后进入步骤103,对试卷模板中的各种题型按照难度从高到低的顺序进行排序。本步骤是可选的。
此后进入步骤104,对测试知识点域中的各个知识点按照要求掌握程度从高到低进行排序。本步骤是可选的。
此后进入步骤105,从测试知识点域中选择一个知识点,并且根据试卷模板选择一个抽题题型。优选地,优先选择测试知识点域中要求掌握程度最高的测试知识点和试卷模板中难度最高的题型,也就是根据步骤103和104的排序结果按顺序选择测试知识点和题型。
此后进入步骤106,根据所选的抽题题型从预设的试题库中抽取包含所选的知识点的试题。在一个实施例中,本步骤进一步包括:从试题库中抽取满足所选的抽题题型、所选的知识点、试卷难度和区分度的试题;如果符合条件的试题数量大于1,则优先选择包含测试知识点域中的知识点数量最多的一道试题;如果符合条件的多个试题包含测试知识点域中的知识点数量相同,则优先选择区分度最大的一道试题;如果还有多个试题满足要求可以随机选择一道试题。在一个实施例中,试题库是根据考试需求基于不同学科及学习阶段的考核特征构建的,试题库中包括多个试题及其属性信息,其中,试题的属性信息包括题型、测试知识点名称、难度和区分度等。
此后进入步骤107,将试题包含的所有知识点从测试知识点域中排除。在一个实施例中,本步骤进一步包括:从测试知识点域中删除试题包含的所有知识点,并将试题包含的所有知识点移入已考核知识点域,在之后抽取试题时优先选择不包含已考核知识点域中知识点的试题。
此后进入步骤108,判断是否试卷模板中所有试题抽取完毕,如果是则进入步骤109,否则进入步骤105。
在步骤109中,在组卷完成后,将所生成的试卷显示到计算机系统的人机交互界面以供组卷者审核和调整试题。本步骤是可选的,在一些场景中,可以直接使用自动组卷的结果,无需人工的的审核和调整。
此后进入步骤110,保存组卷者最终确认的试卷。
为了能够更好地理解本申请的技术方案,下面结合几个具体的例子来进行说明,该例子中罗列的细节主要是为了便于理解,不作为对本申请保护范围的限制。
本申请一个实施例中,基于测试知识点的计算机智能组卷方法总体上包括:(1)构建组卷素材库,用于存储和调用测试知识点、知识点相关的试题和试卷模板。(2)进行智能组卷,首先,设定组卷要求,系统根据组卷要求自动选择相应的测试知识点域;其次,组卷系统以测试知识点为核心,遵循测试知识点不重复抽题原则,依次抽取与测试知识点相关的试题,直到完成所有试题的抽取,初步完成试卷制作;最后,通过人工审核、调整试卷,输出符合要求的试卷。
具体的实现步骤如下:
(一)构建组卷素材库(测试知识点库、试题库和试卷模板库),用于存储和调用测试知识点、知识点相关的试题和试卷模板
(1)测试知识点库:根据不同测试应用场景的测试需求,构建不同类型的测试知识点库,具体为各类教材知识点库、各类水平测试知识点库等。用于组卷系统获取测试要求中的测试知识点。知识点库中的各知识点信息包括知识点名称及其要求掌握程度。所述的知识点要求掌握程度具体分为掌握应用、理解说明、认识了解、无应用要求4类。
(2)试题库:根据考试需求,基于不同学科及学习阶段的考核特征构建海量试题库,用于组卷系统抽取试题。试题库中包括试题及试题属性信息,试题属性信息包括题型、测试知识点名称、难度、区分度等。
(3)试卷模板库:根据不同测试应用场景及学科,构建试卷模板库,用于组卷系统中试卷模板的推荐及选择,每套试卷中有明确的题型、题量、试题分值信息等。
(二)智能组卷
组卷者根据实际测试需求,设定组卷要求,系统据根组卷要求自动选择测试知识点域、推荐试卷模板,由组卷者进一步确认;根据确定的测试知识点域及试卷模板,以知识点为核心进行智能抽题;最后由组卷者审核试卷,输出符合要求的试卷。具体包括如下步骤:
步骤一、设定组卷要求
组卷者根据实际测试需求,设定组卷要求,包括:测试应用场景、测试范围,并设定试卷难度、区分度。
所述的测试范围:为具体的测试内容,例如,一本教材的某章内容、大学英语四级考试内容等。
步骤二、确定测试知识点域
根据选定的测试范围,系统自动从相应的测试知识点库中推荐测试知识点,再由组卷者进行确认,组卷者可根据实际测试需求,对知识点进行筛选,形成测试知识点域R(R1,R2,......,Ri),其中Ri为第i个知识点。
步骤三、确定试卷模板
根据组卷者选择的测试范围,系统自动从试卷模板库推荐试卷模板供组卷者选择,若不满意,组卷者可从试卷模板库中自主选择或建立新的试卷模板。
步骤四、根据测试知识点域及试卷模板,进行智能抽题
根据测试知识点域R及试卷模板,从R中选择抽题知识点,从试题库中抽取与该知识点相关试题,抽题结束将当前抽题知识点从R中排除,依次对余下的测试知识点进行抽题,直到完成试卷模板中所有试题的抽取。具体过程如图2所示。
在步骤201中,通过分析试卷模板中所有题型的难度情况,按难度由高到低进行排序。根据题型排列顺序,选取待抽取试题题型。
在步骤202,通过分析测试知识点域R中各知识点要求掌握程度,按照要求掌握程度由高到低排序,调整R中的知识点顺序(R1,R2,......,Ri),其中R1表示第一个抽题知识点。系统根据R中知识点排列顺序,依序选择抽题知识点。
在步骤203中,根据当前选取的测试知识点、题型,抽取试题
抽题参数:<题型、知识点、难度、区分度>
系统根据抽题参数从海量试题库中抽取符合要求的试题,进一步,剔除试题中包含已考核过知识点的所有试题,保留符合条件的试题。其中,试题难度及区分度与组卷者设定的试卷难度及区分度一致。
进一步的,若符合条件的试题数量大于1,系统自动从符合条件的试题中选取包含测试知识点数量最多的一道试题;若试题中包含知识点数量相同,则选取试题区分度最大的一道试题。
在步骤204中,每确定一道试题,将试题中包含的所有测试知识点从R中排除,并放入已考核知识点域X内。更新R,供系统选择下一个测试知识点,更新X,供系统选择试题时排除已考核过知识点的试题。
在步骤205中,判断试卷中当前题型的题目是否全部抽取完毕,如果没有,继续步骤202,选择R中下一个知识点进行抽题;否则,进入下一步。
在步骤206中,判断试卷中所有题型是否全部抽取完毕,如果没有,继续步骤201,选择下一个题型,否则,表示试卷中所有试题抽取完毕。
步骤五、人工审核试卷,保存试卷
基于组卷系统生成的试卷,由组卷者对试卷进行审核,可人工调整并替换当前试卷中的试题,以符合组卷者的实际测试需求,最终保存确认后的试卷,完成组卷。
下面将结合构建组卷素材库、不同应用场景下获取测试知识点、智能生成一套英语单元测试试卷三个具体实施例,对本方案申请目的、技术方案进行清楚、完整的描述。
实施例1、构建组卷素材库
本方案提供了一种基于测试知识点的计算机智能组卷方法,该方法首先构建测试知识点库、试题库、试卷模板库,具体实施方式如下:
(1)构建测试知识点库,包括教材知识点库和水平测试知识点库,用于组卷系统调取相应的测试知识点,具体如下:
教材知识点库:依据不同学科、不同版本教材构建知识点库,为基本教学、练习、学业考试等测试提供测试知识点。并建立数据表,按照“学习阶段→学科→教材版本→教材单册→章→知识点”存入知识点,其中,知识点信息包括:知识点名称、知识点要求掌握情况。
水平测试知识点库:以海量历年真题和权威模拟题为依托,基于试题智能识别技术及大数据分析技术,提取试题考点作为具体水平测试中的知识点,为小升初、中考、高考、大学英语四六级等水平模拟考试提供测试知识点。并建立数据表,按照“学习阶段→学科→测试类型→知识点”存入知识点,其中,知识点属性信息包括:知识点名称、知识点要求掌握情况。
(2)构建试题库,用于组卷系统抽取测试知识点相关试题。根据考试需求,通过研究各学习阶段、各学科的测试特点及考试大纲对知识点的掌握要求,收集海量不同题型的试题,形成数字化试题库。并建立数据表,存储试题及试题属性信息,试题属性信息包括:题型、测试知识点名称、难度、区分度。
(3)构建试卷模板库,用于组卷系统调用试卷模板。根据不同的测试应用场景、不同学科测试需求,收集满足各种测试要求下的试卷模板,形成试卷模板库,每个试卷模板的试卷属性信息包括:题型、数量、分值信息。
实施例2、不同应用场景下获取测试知识点
组卷者根据实际测试应用场景(本实施例分为教学内容测试、水平测试、个性化学习及测试3种应用场景),确定测试知识点范围,不同应用场景下测试知识点获取方法如下:
(1)针对教学内容测试:根据选择的学习阶段→学科→教材版本→教材单册→(几)章,系统自动对接到教材知识点库,并提取对应的知识点,组卷者可根据实际测试需求,对提取的知识点进行增、删、改等操作,确定测试知识点域R(R1,R2,......,Ri),其中Ri为第i个知识点。
(2)针对水平测试:根据选择的学习阶段→学科→测试类型,系统自动对接到相应的水平测试知识点库,并提取对应的测试知识点,形成测试知识点域R,组卷者对R中的测试知识点不可操作。
(3)针对个性化学习及测试:根据导入的学习资源,系统通过资料数字化分析技术,分析当前资料中的知识点,形成测试知识点域R。
实施例3、计算机智能生成一套英语单元测试试卷
下面结合计算机智能生成一套英语单元测试试卷的实施例,进一步说明一种基于测试知识点的计算机智能组卷方法,具体步骤如下:
步骤一:在智能组卷系统中设定组卷要求,按目录选择测试范围:教学内容测试→大学阶段→英语→外研社新视野大学英语→读写教程第4册→第1单元;
本实施例设置的试卷难度范围为0.4~0.6,区分度大于0.3(试卷难度可选范围为:难(0.2~0.4)、中(0.4~0.6)、易(0.6~0.8)三个等级,试卷区分度可选范围为:高(0.3~1)、低(0~0.3)两个等级)。
步骤二:系统根据选择的教学内容测试→大学阶段→英语→外研社新视野大学英语→读写教程第4册→第1单元,自动从教材知识点库中提取对应的知识点,可对知识点进行筛选,形成最终的测试知识点域R,具体知识点如下:
R(resource、abundant、acquire、assume、attain、available、benefit、community、comprehensive、confidence、emerge、enrich、enthusiasm、explore、facility、faculty、fascinating、foundation、giant、inherit、mate、opportunity、overwhelm、passion、pledge、pose、prosperous、pursue、natural、responsibility、room-mate、routine、sample、transmit、triumph、unique、virtual、virtually、yield、all at once、get by、in advance、make the most of、over time、remind(...)of、turn into、glow、inheritor、owl)
步骤三:系统推荐用于教学内容测试的英语单元测试模板、英语课后测试模板,此处直接使用推荐的英语单元测试试卷模板,试卷模板中具体信息如下表:
序号 题型 小题数量 小题单题分值(分)
1 单选题 5 1
2 句子填空 2 2
3 中译英 2 5
4 作文 1 10
步骤四、根据测试知识点域R及试卷模板,依序从R中选择知识点,进行智能抽题,具体实现流程如下:
第一步:分析试卷模板中所有题型的难度情况,按难度由高到低进行排序,排序后的题型抽题次序如下:
次序 题型 小题数量 小题单题分值(分)
1 作文 1 10
2 中译英 2 5
3 句子填空 2 2
4 单选题 5 1
第二步:分析测试知识点域R中各知识点要求掌握程度,按照要求掌握程度由高到低排序,同程度掌握要求的知识点无抽题优先次序,排序后的知识点抽题次序如下:
第三步:根据抽题参数抽取试题
第一个试题抽题参数:<作文题、resource、[0.4,0.6]、[0.3,1]>
系统根据试题抽题参数从海量试题库中抽取符合要求的试题。从抽取的所有试题中,优先考虑试题中包含的测试知识点最多的试题,进一步考虑试题区分度最大的试题,最终确定一道试题。
抽题结果如下表:
第四步:确定试题之后,将当前试题中包含的测试知识点“resource,natural”从R中排除,放入已考核知识点域X中。更新R,供系统选择下一个抽题知识点;更新X(resource,natural),供系统选择试题时排除已考核过知识点的试题。
第五步:判断试卷中当前题型的题目是否全部抽取完毕,如果没有,继续选择当前题型,选择R中下一个知识点进行抽题;否则,判断试卷中所有题型是否全部抽取完毕,如果没有,选择下一个题型,选择R中下一个知识点进行抽题,直到所有试题抽取完毕,初步完成试卷制作。
步骤五、组卷者可查看生成的测试试卷,可查看每道试题的考核的知识点、包含的测试知识点、难度、区分度,若组卷者对试卷中的试题不满意,可以替换试题,以符合组卷者的实际测试需求,最终保存确认后的试卷,完成组卷。
本实施例生成的测试试卷的试题相关信息如下:
试卷总体分析结果:(1)测试知识点覆盖情况:试卷中考核到的测试知识点共14个,试卷题目数量10个,试卷中的每一道试题均包含测试要求中需要考核的知识点,且未出现同一测试知识点重复考核,试卷考核的测试知识点符合测试要求;(2)试卷难度:生成的试卷难度为0.5,在试卷的要求范围内;(3)试卷区分度:生成的试卷区分度为0.3,在试卷的要求范围内。
相应地,本申请实施方式还提供一种计算机可读存储介质,其中存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现本申请的各方法实施方式。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于,相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读存储介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
此外,本申请实施方式还提供一种基于测试知识点的计算机智能组卷系统,其中包括用于存储计算机可执行指令的存储器,以及,处理器;该处理器用于在执行该存储器中的计算机可执行指令时实现上述各方法实施方式中的步骤。其中,该处理器可以是中央处理单元(Central Processing Unit,简称“CPU”),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,简称“DSP”)、专用集成电路(Application SpecificIntegrated Circuit,简称“ASIC”)等。前述的存储器可以是只读存储器(read-onlymemory,简称“ROM”)、随机存取存储器(random access memory,简称“RAM”)、快闪存储器(Flash)、硬盘或者固态硬盘等。本发明各实施方式所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
需要说明的是,在本专利的申请文件中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。本专利的申请文件中,如果提到根据某要素执行某行为,则是指至少根据该要素执行该行为的意思,其中包括了两种情况:仅根据该要素执行该行为、和根据该要素和其它要素执行该行为。多个、多次、多种等表达包括2个、2次、2种以及2个以上、2次以上、2种以上。
在本申请提及的所有文献都被认为是整体性地包括在本申请的公开内容中,以便在必要时可以作为修改的依据。此外应理解,以上所述仅为本说明书的较佳实施例而已,并非用于限定本说明书的保护范围。凡在本说明书一个或多个实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例的保护范围之内。

Claims (10)

1.一种基于测试知识点的计算机智能组卷方法,其特征在于,包括,确定测试知识点域和试卷模板,计算机系统重复执行以下各步骤直至所述试卷模板中所有试题抽取完毕:
从所述测试知识点域中选择一个知识点,并且根据所述试卷模板选择一个抽题题型;
根据所选的抽题题型从预设的试题库中抽取包含所选的知识点的试题;
将所述试题包含的所有知识点从所述测试知识点域中排除。
2.如权利要求1所述的方法,其特征在于,所述确定测试知识点域和试卷模板的步骤之后,还包括:
对所述试卷模板中的各种题型按照难度从高到低的顺序进行排序;
对所述测试知识点域中的各个知识点按照要求掌握程度从高到低进行排序;
所述“从所述测试知识点域中选择一个知识点,并且根据所述试卷模板选择一个抽题题型”的步骤中,优先选择所述测试知识点域中要求掌握程度最高的知识点和所述试卷模板中难度最高的题型。
3.如权利要求1所述的方法,其特征在于,所述确定测试知识点域和试卷模板的步骤之前,还包括向所述计算机系统输入组卷要求的步骤;
所述组卷要求包括以下之一或其任意组合:测试应用场景、测试范围、试卷难度、区分度。
4.如权利要求3所述的方法,其特征在于,
所述确定测试知识点域和试卷模板包括以下步骤:
根据所述测试范围,自动从测试知识点库中推荐知识点,显示在人机交互界面上供组卷者确认和筛选,最终得到组卷者确定的所述测试知识点域;
根据所述测试范围,自动从试卷模板库推荐试卷模板,显示在人机交互界面上供组卷者选择,最终得到组卷者确定的所述试卷模板。
5.如权利要求4所述的方法,其特征在于,所述测试知识点库是各类教材知识点库、或各类水平测试知识点库;
所述试题库是根据考试需求基于不同学科及学习阶段的考核特征构建的,所述试题库中包括多个试题和试题属性信息,其中,所述试题属性信息包括题型、测试知识点名称、难度、区分度中的一项或其任意组合。
6.如权利要求1所述的方法,其特征在于,所述根据所选的抽题题型从预设的试题库中抽取包含所选的知识点的试题的步骤进一步包括:
从所述试题库中抽取满足所选的抽题题型、所选的知识点、所述试卷难度和所述区分度的试题;如果符合条件的试题数量大于1,则优先选择包含所述测试知识点域中的知识点数量最多的一道试题;如果符合条件的多个试题包含所述测试知识点域中的知识点数量相同,则优先选择区分度最大的一道试题。
7.如权利要求1-6中任意一项所述的方法,其特征在于,所述将所述试题包含的所有知识点从所述测试知识点域中排除的进一步包括:
从所述测试知识点域中删除所述试题包含的所有知识点,并将所述试题包含的所有知识点移入已考核知识点域,在之后抽取试题时优先选择不包含所述已考核知识点域中知识点的试题。
8.如权利要求1-6中任意一项所述的方法,其特征在于,还包括:
在组卷完成后,将所生成的试卷显示到所述计算机系统的人机交互界面以供组卷者审核和调整试题,以及保存组卷者最终确认的试卷。
9.一种基于测试知识点的计算机智能组卷系统,其特征在于,包括:
存储器,用于存储计算机可执行指令;以及,
处理器,用于在执行所述计算机可执行指令时实现如权利要求1至8中任意一项所述的方法中的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器执行时实现如权利要求1至8中任意一项所述的方法中的步骤。
CN201811408595.9A 2018-11-23 2018-11-23 基于测试知识点的计算机智能组卷方法及其系统 Active CN109783601B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811408595.9A CN109783601B (zh) 2018-11-23 2018-11-23 基于测试知识点的计算机智能组卷方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811408595.9A CN109783601B (zh) 2018-11-23 2018-11-23 基于测试知识点的计算机智能组卷方法及其系统

Publications (2)

Publication Number Publication Date
CN109783601A true CN109783601A (zh) 2019-05-21
CN109783601B CN109783601B (zh) 2023-03-28

Family

ID=66496610

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811408595.9A Active CN109783601B (zh) 2018-11-23 2018-11-23 基于测试知识点的计算机智能组卷方法及其系统

Country Status (1)

Country Link
CN (1) CN109783601B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110377689A (zh) * 2019-06-17 2019-10-25 深圳壹账通智能科技有限公司 试卷智能生成方法、装置、计算机设备及存储介质
CN110413973A (zh) * 2019-07-26 2019-11-05 浙江蓝鸽科技有限公司 计算机自动生成套卷的方法及其系统
CN110443427A (zh) * 2019-08-12 2019-11-12 浙江蓝鸽科技有限公司 基于认知知识谱的成绩预测方法及其系统
CN110718105A (zh) * 2019-10-10 2020-01-21 江苏曲速教育科技有限公司 个性化个人假期作业本、生成方法及使用方法
CN111292209A (zh) * 2020-01-21 2020-06-16 北京爱论答科技有限公司 一种学情测评方法及系统
CN111339740A (zh) * 2020-02-14 2020-06-26 腾讯云计算(北京)有限责任公司 试卷生成方法、装置、电子设备及可读存储介质
CN111427925A (zh) * 2020-03-20 2020-07-17 北京易真学思教育科技有限公司 组卷方法、装置、设备及存储介质
CN111967255A (zh) * 2020-08-12 2020-11-20 福建师范大学协和学院 一种基于互联网的语言自动组卷评测方法和存储介质
CN112164261A (zh) * 2020-09-24 2021-01-01 浙江太学科技集团有限公司 一种智能化考核方法
CN112669006A (zh) * 2020-12-28 2021-04-16 广东国粒教育技术有限公司 一种基于学生知识点诊断的智能组卷的方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104820707A (zh) * 2015-05-14 2015-08-05 西安交通大学 一种基于计算机领域知识体系的b/s模式自动组卷方法
WO2017025046A1 (zh) * 2015-08-13 2017-02-16 马正方 一种基于知识点结构的题库系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104820707A (zh) * 2015-05-14 2015-08-05 西安交通大学 一种基于计算机领域知识体系的b/s模式自动组卷方法
WO2017025046A1 (zh) * 2015-08-13 2017-02-16 马正方 一种基于知识点结构的题库系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
余红朝等: "适应网络教育自动组卷算法的研究", 《计算机与现代化》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110377689A (zh) * 2019-06-17 2019-10-25 深圳壹账通智能科技有限公司 试卷智能生成方法、装置、计算机设备及存储介质
CN110413973A (zh) * 2019-07-26 2019-11-05 浙江蓝鸽科技有限公司 计算机自动生成套卷的方法及其系统
CN110413973B (zh) * 2019-07-26 2023-04-18 浙江蓝鸽科技有限公司 计算机自动生成套卷的方法及其系统
CN110443427A (zh) * 2019-08-12 2019-11-12 浙江蓝鸽科技有限公司 基于认知知识谱的成绩预测方法及其系统
CN110443427B (zh) * 2019-08-12 2023-11-07 浙江蓝鸽科技有限公司 基于认知知识谱的成绩预测方法及其系统
CN110718105A (zh) * 2019-10-10 2020-01-21 江苏曲速教育科技有限公司 个性化个人假期作业本、生成方法及使用方法
CN111292209A (zh) * 2020-01-21 2020-06-16 北京爱论答科技有限公司 一种学情测评方法及系统
CN111339740B (zh) * 2020-02-14 2023-03-31 腾讯云计算(北京)有限责任公司 试卷生成方法、装置、电子设备及可读存储介质
CN111339740A (zh) * 2020-02-14 2020-06-26 腾讯云计算(北京)有限责任公司 试卷生成方法、装置、电子设备及可读存储介质
CN111427925A (zh) * 2020-03-20 2020-07-17 北京易真学思教育科技有限公司 组卷方法、装置、设备及存储介质
CN111967255A (zh) * 2020-08-12 2020-11-20 福建师范大学协和学院 一种基于互联网的语言自动组卷评测方法和存储介质
CN112164261A (zh) * 2020-09-24 2021-01-01 浙江太学科技集团有限公司 一种智能化考核方法
CN112669006A (zh) * 2020-12-28 2021-04-16 广东国粒教育技术有限公司 一种基于学生知识点诊断的智能组卷的方法

Also Published As

Publication number Publication date
CN109783601B (zh) 2023-03-28

Similar Documents

Publication Publication Date Title
CN109783601A (zh) 基于测试知识点的计算机智能组卷方法及其系统
Van Buuren Flexible imputation of missing data
CN110413973A (zh) 计算机自动生成套卷的方法及其系统
Lieber Mixing qualitative and quantitative methods: Insights into design and analysis issues.
CN112699283B (zh) 试卷生成方法及装置
CN107944986A (zh) 一种o2o商品推荐方法、系统及设备
CN113688167A (zh) 基于深度兴趣网络的深度兴趣捕获模型构建方法及装置
CN109146741A (zh) 一种基于能力测评的课程推送方法、装置及设备
CN103605706A (zh) 一种基于知识地图的资源检索方法
CN103971555A (zh) 多层次自动化评估训练综合服务方法及系统
CN110443427A (zh) 基于认知知识谱的成绩预测方法及其系统
CN108763588A (zh) 一种知识点量化分析方法及装置
CN113918806A (zh) 自动推荐培训课程的方法及相关设备
CN110162713A (zh) 基于卷积神经网络的自适应学习内容推荐方法及系统
CN108960884A (zh) 信息处理方法、模型构建方法及装置、介质和计算设备
CN110288878A (zh) 自适应学习方法及装置
CN110209561A (zh) 用于对话平台的评测方法和评测装置
Pejić et al. Math proficiency prediction in computer-based international large-scale assessments using a multi-class machine learning model
CN106780258A (zh) 一种未成年人犯罪决策树的建立方法及装置
CN109145959A (zh) 一种特征选择方法、装置及设备
CN107480879A (zh) 水文职工业务知识考评方法及系统
CN114090526B (zh) 一种云教育资源管理系统
CN112598944B (zh) 一种智能型英语教学系统
CN116340815A (zh) 一种基于卷积神经网络的高校异常行为学生识别方法
CN107135402A (zh) 一种识别电视台图标的方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant