CN111160444A - 一种基于贝叶斯原理的试卷难易程度分析方法及系统 - Google Patents

一种基于贝叶斯原理的试卷难易程度分析方法及系统 Download PDF

Info

Publication number
CN111160444A
CN111160444A CN201911357396.4A CN201911357396A CN111160444A CN 111160444 A CN111160444 A CN 111160444A CN 201911357396 A CN201911357396 A CN 201911357396A CN 111160444 A CN111160444 A CN 111160444A
Authority
CN
China
Prior art keywords
test paper
difficulty
student
data set
comprehensive evaluation
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
CN201911357396.4A
Other languages
English (en)
Other versions
CN111160444B (zh
Inventor
海克洪
姜庆玲
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.)
Hubei Meihe Yisi Education Technology Co ltd
Original Assignee
Hubei Meihe Yisi Education 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 Hubei Meihe Yisi Education Technology Co ltd filed Critical Hubei Meihe Yisi Education Technology Co ltd
Priority to CN201911357396.4A priority Critical patent/CN111160444B/zh
Publication of CN111160444A publication Critical patent/CN111160444A/zh
Application granted granted Critical
Publication of CN111160444B publication Critical patent/CN111160444B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Technology (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本发明提出了一种基于贝叶斯原理的试卷难易程度分析方法及系统，所述方法包括：获取学生的历史综合评价数据集和历史试卷难度，所述综合评价数据集包括学生平时成绩；构建基于贝叶斯原理的线性回归模型；将所述历史综合评价数据集、所述历史试卷难度导入所述线性回归模型，对所述线性回归模型的权重进行参数估计；获取学生的当前综合评价数据集，将所述当前综合评价数据集和所述权重导入试卷难度计算模型中计算待出试卷的难度。本发明能够很好地依据学生的特点确定试卷的难度，不会出现所有学生都觉得试卷偏难或者偏简单的情况，完美地落实了在线教学过程中的“以人为本、因材施教”的教育理念。

Description

一种基于贝叶斯原理的试卷难易程度分析方法及系统
技术领域
本发明涉及机器学习技术领域，尤其涉及一种基于贝叶斯原理的试卷难易程度分析方法及系统。
背景技术
随着大数据和人工智能时代的来临，互联网行业迎来了新的发展契机，越来越多的领域开始广泛使用大数据，教育领域也不例外。在教育领域中，教学管理是非常重要的内容，学生的学习情况是教学管理的主要依据，而学习情况主要根据考试成绩，因此考试试卷的合理性对学习情况的检测尤其重要。现阶段，越来越多的教学任务都是在互联网上进行，考试出卷也同样需要在线完成，那么试卷的难易程度该如何确定，就成为一个新的研究重点。
现有的在线出卷基本上都是随机抽取，并没有一个非常合理的难易度分析模型，这并不符合“以人为本，因材施教”的教育理念，其表现为多数情况仅由教师决定难中易三者之一就可以生成一套试卷，具有极大的主观性，可能出现成绩好的学生试卷太容易、成绩差的学生试卷太难的情况，无法实达到知识训练的目的，这种试卷难度确定方式完全脱离了关注学生自身的学习情况，导致试卷难易程度不合理。
发明内容
有鉴于此，一方面，本发明提出了一种基于贝叶斯原理的试卷难易程度分析方法，以解决传统试卷难度确定方式脱离学生自身学习情况，导致试卷难度不合理的问题。
本发明的技术方案是这样实现的：一种基于贝叶斯原理的试卷难易程度分析方法，包括：
获取学生的历史综合评价数据集和历史试卷难度，所述综合评价数据集包括学生平时成绩；
构建基于贝叶斯原理的线性回归模型；
将所述历史综合评价数据集、所述历史试卷难度导入所述线性回归模型，对所述线性回归模型的权重进行参数估计；
获取学生的当前综合评价数据集，将所述当前综合评价数据集和所述权重导入试卷难度计算模型中计算待出试卷的难度。
可选的，所述学生为单个学生或单个班级部分学生或单个班级所有学生或多个班级的学生。
可选的，所述学生平时成绩包括平时作业成绩、考勤成绩、阶段测试成绩和学习视频观看数量。
可选的，所述学生平时成绩的计算公式为
Figure BDA0002336309590000021
其中，x5为所述学生平时成绩，m为学生总数，i为学生编号，ti1、ti2、ti3、ti4依次为第i个学生的所述平时作业成绩、所述考勤成绩、所述阶段测试成绩、所述学习视频观看数量。
可选的，所述综合评价数据集还包括学生类别、课程类别、学生年级、学生班级。
可选的，所述构建基于贝叶斯原理的线性回归模型，包括：
获取所述权重的先验概率，根据所述先验概率计算所述权重的后验概率；
计算所述后验概率的最大似然估计并得到计算所述权重的所述线性回归模型。
可选的，计算所述后验概率的最大似然估计并得到计算所述权重的所述线性回归模型，包括：
对所述后验概率的似然函数取自然对数；
对所述似然函数的自然对数求导并令导数为零，构建所述似然函数的自然对数与零的等式；
求解所述等式以获得所述述线性回归模型。
本发明的基于贝叶斯原理的试卷难易程度分析方法相对于现有技术具有以下有益效果：
(1)本发明的基于贝叶斯原理的试卷难易程度分析方法决定试卷难易程度的参数多，且都与学生学习情况相关，能够很好地依据学生的特点确定试卷的难度，不会出现所有学生都觉得试卷偏难或者偏简单的情况，完美地落实了在线教学过程中的“以人为本、因材施教”的教育理念；
(2)本发明的基于贝叶斯原理的试卷难易程度分析方法能够满足不同考试类型不同考试对象的在线试卷出题要求，因为此难易程度分析方法中将各种类型的考试情况均考虑进去，例如不同考试类型有必修或选修、补考或者重考、统考或者期末考试等情况，不同考试对象有年纪所有学生、多个班级、单个班级、单个班级的部分学生或者单个学生等情况，都可以在参数中进行调整设置，极大地提高了此方法的实用性。
另一方面，本发明还提出一种基于贝叶斯原理的试卷难易程度分析系统，以解决传统试卷难度确定方式脱离学生自身学习情况，导致试卷难度不合理的问题。
本发明的技术方案是这样实现的：一种基于贝叶斯原理的试卷难易程度分析系统，包括：
数据获取模块，用于获取学生的历史综合评价数据集和历史试卷难度，所述综合评价数据集包括学生平时成绩；
模型构建模块，用于构建基于贝叶斯原理的线性回归模型；
权重分析模块，用于将所述历史综合评价数据集、所述历史试卷难度导入所述线性回归模型，对所述线性回归模型的权重进行参数估计；
难度分析模块，用于获取学生的当前综合评价数据集，将所述当前综合评价数据集和所述权重导入试卷难度计算模型中计算待出试卷的难度。
所述基于贝叶斯原理的试卷难易程度分析系统与上述基于贝叶斯原理的试卷难易程度分析方法相对于现有技术所具有的优势相同，在此不再赘述。
另一方面，本发明还提出一种计算机可读存储介质，以解决传统试卷难度确定方式脱离学生自身学习情况，导致试卷难度不合理的问题。
本发明的技术方案是这样实现的：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程序，所述计算机程序被处理器读取并运行时，实现上述任一项所述的方法。
所述计算机可读存储介质与上述基于贝叶斯原理的试卷难易程度分析方法相对于现有技术所具有的优势相同，在此不再赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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。
图1为本发明的基于贝叶斯原理的试卷难易程度分析方法的流程图；
图2为本发明的步骤S2的流程图；
图3为本发明的步骤S22的流程图；
图4为本发明的基于贝叶斯原理的试卷难易程度分析系统的结构框图。
附图标记说明：
10-数据获取模块；20-模型构建模块；30-权重分析模块；40-难度分析模块。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
如图1所示，本发明的基于贝叶斯原理的试卷难易程度分析方法，包括：
步骤S1，获取学生的历史综合评价数据集和历史试卷难度，所述综合评价数据集包括学生平时成绩；
步骤S2，构建基于贝叶斯原理的线性回归模型；
步骤S3，将所述历史综合评价数据集、所述历史试卷难度导入所述线性回归模型，对所述线性回归模型的权重进行参数估计；
步骤S4，获取学生的当前综合评价数据集，将所述当前综合评价数据集和所述权重导入试卷难度计算模型中计算待出试卷的难度。
本实施例中，假设试卷难度为
Figure BDA0002336309590000051
学生综合评价数据集中的各项参数为x1……xn，各参数的权重为w0……wn，则试卷难度计算模型为
Figure BDA0002336309590000052
在上述公式中，首先需要使用历史综合评价数据集x(i)和历史试卷难度y(i)做关于权重w(i)的参数估计，然后根据权重w(i)和当前综合评价数据集得出待出试卷的难度
Figure BDA0002336309590000053
具体的，如图2所示，步骤S2包括：
步骤S21，获取所述权重的先验概率，根据所述先验概率计算所述权重的后验概率；
在当前模式x下，依据分类类别y的条件概率p(y|x)求得agrmax p(y|x)从而达到对试题难度的分类，其中p(y|x)依据朴素贝叶斯方法，模式θ作为概率变量，对其先验概率p(W)加以考虑，计算与训练集D相对应的后验概率p(W|D)，运用贝叶斯定理有
Figure BDA0002336309590000061
假定x0＝1，则上式有
Figure BDA0002336309590000062
其中W与X分别表示两个一维矩阵[w0,w1,w2,...,wn]T和[1,x1,x2,...,xn]T，则可将上式转换为
Figure BDA0002336309590000063
假定对于第i个样本的真实误差为ε(i)，有y(i)＝WTX+ε(i)，该误差ε(i)独立且通常是具有均值为0的高斯分布，则有
Figure BDA0002336309590000064
那么权重w(i)的后验概率为
Figure BDA0002336309590000065
其中，σ为正态分布的标准差。
步骤S22，计算所述后验概率的最大似然估计并得到计算所述权重的所述线性回归模型；
可选的，如图3所示，步骤S22包括：
步骤S221，对所述后验概率的似然函数取自然对数；
权重w(i)后验概率的似然函数为
Figure BDA0002336309590000066
对该式求对数有
Figure BDA0002336309590000071
步骤S222，对所述似然函数的自然对数求导并令导数为零，构建所述似然函数的自然对数与零的等式；
对上式求导，使其值为0，便可求得W的最大似然估计。在上式中，
Figure BDA0002336309590000072
是常数，故此它的导数为0，实际上是使
Figure BDA0002336309590000073
的导数为0，也就是
Figure BDA0002336309590000074
的导数为0；
步骤S223，求解所述等式以获得所述述线性回归模型；
令
Figure BDA0002336309590000075
有
Figure BDA0002336309590000076
对上式两边求W的偏导，根据偏导数的基本原理有
Figure BDA0002336309590000077
将转置带入到前一部分运算内有
Figure BDA0002336309590000078
将上式展开，有
Figure BDA0002336309590000079
将偏导带入到等式的右边，有
Figure BDA0002336309590000081
要使函数J(W)关于W的导数为0，则
XTXW-XTy＝0；
将上式中的XTy移动到等式右边有
XTXW＝XTy；
在等式的两边左侧同时乘以(XTX)-1，则有
W＝(XrX)-1XTy；
至此，关于求权重W的线性回归模型创建完成，代入历史综合评价数据集、历史试卷难度进行预测，即可确定权重W。
可选的，所述学生平时成绩包括平时作业成绩、考勤成绩、阶段测试成绩和学习视频观看数量，所述综合评价数据集还包括学生类别、课程类别、学生年级、学生班级。
步骤S4中，根据试卷难度为
Figure BDA0002336309590000083
的计算公式，除了确定权重W外，还需要确定学生当前综合评价数据集的各项参数x1……xn，系统首先判断当前学生的具体情况，依据系统给学生的评分来为学生分配试卷，此处试卷考试对象可以是多个班级、单个班级所有学生、单个班级部分学生或者单个学生等，大多数情况下是单个班级集中考试较多。因此，以下采用单个班级所有学生为例，说明确定学生实际学习情况为的各项参数x1……xn的确定方法：
学生类别x1，本科对应的为1，专科对应的0.9；课程类别x2，必修对应的为1，选修对应的0.9；学生年级x3，大一对应的0.9，大二对应的1；学生班级x4，特色班对应1，普通班对应0.9。
所述学生平时成绩的计算公式为
Figure BDA0002336309590000082
其中，x5为所述学生平时成绩，m为学生总数，i为学生编号，ti1、ti2、ti3、ti4依次为第i个学生的所述平时作业成绩、所述考勤成绩、所述阶段测试成绩、所述学习视频观看数量。由于平时作业成绩、考勤成绩、阶段测试成绩、学习视频观看数量的度量标准各不相同，本实施例通过上述公式可将4个参数的评价标准进行统一，得到的学生平时成绩更加合理、可信度高，进而提高了计算试卷难度的可靠性。
其中，平时作业值的确定，设当前课程当前学期作业总次数为x，则作业完成程度计算方法为
Figure BDA0002336309590000091
其中ai为布尔类型的数据ai＝{0，1}，若当前学生平时作业全为0，则该学生平时作业分值为0.1。
考勤值的确定，设当前课程当前学期考勤统计次数为x，则考勤计算方法为
Figure BDA0002336309590000092
其中ai的取值范围ai＝{0，1}。
阶段测试成绩值的确定，以n个阶段为例，阶段权重计算方法为
Figure BDA0002336309590000093
其中评分ai取值在(0,1)之间，需要教师将平时成绩归一到(0,1)之间。
视频观看数量值的确定，若无对应视频，则t4＝1，若有对应视频，假定视频总数为n，则计算方法为
Figure BDA0002336309590000094
其中完成度ai为布尔类型的数据，范围为ai＝{0，1}，全看完取值为1，未看完取值为0。
通过上述权重W的参数估计和已知学生学习情况x(i)，即可根据下列公式预估符合学生需求的试卷难易程度，进而可在题库中选择与计算出的难度对应的试卷。
Figure BDA0002336309590000095
容易想到，若综合评价数据集抽取的参数偏少，选取的题目难易程度可能与学生实际学习情况偏离过大。现有在线生成的试卷一般为所有班级所有学生统一考试使用，但实际考试对象可能是单个班级、部分学生或者单个学生自测，类型可能是章节测试、期中考试、期末考试或者结业考试等，不同类型不同对象应采用不同的难易程度，但是现有的在线出卷机制并不针对不同情况提供合理的试卷难易程度分析方法。这样，本实施例中决定试卷难易程度的参数多，且都与学生学习情况相关，能够很好地依据学生的特点确定试卷的难度，不会出现所有学生都觉得试卷偏难或者偏简单的情况，完美地落实了在线教学过程中的“以人为本、因材施教”的教育理念；实用性更强，能够满足不同考试类型不同考试对象的在线试卷出题要求，因为此难易程度分析方法中将各种类型的考试情况均考虑进去，例如不同考试类型有必修或选修、补考或者重考、统考或者期末考试等情况，不同考试对象有年纪所有学生、多个班级、单个班级、单个班级的部分学生或者单个学生等情况，都可以在参数中进行调整设置，极大地提高了此方法的实用性。
如图4所示，本实施例还提出一种基于贝叶斯原理的试卷难易程度分析系统，包括：
数据获取模块10，用于获取学生的历史综合评价数据集和历史试卷难度，所述综合评价数据集包括学生平时成绩；
模型构建模块20，用于构建基于贝叶斯原理的线性回归模型；
权重分析模块30，用于将所述历史综合评价数据集、所述历史试卷难度导入所述线性回归模型，对所述线性回归模型的权重进行参数估计；
难度分析模块40，用于获取学生的当前综合评价数据集，将所述当前综合评价数据集和所述权重导入试卷难度计算模型中计算待出试卷的难度。
本实施例还提出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程序，所述计算机程序被处理器读取并运行时，实现上述任一项所述的基于贝叶斯原理的试卷难易程度分析方法。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于贝叶斯原理的试卷难易程度分析方法，其特征在于，包括：
获取学生的历史综合评价数据集和历史试卷难度，所述综合评价数据集包括学生平时成绩；
构建基于贝叶斯原理的线性回归模型；
将所述历史综合评价数据集、所述历史试卷难度导入所述线性回归模型，对所述线性回归模型的权重进行参数估计；
获取学生的当前综合评价数据集，将所述当前综合评价数据集和所述权重导入试卷难度计算模型中计算待出试卷的难度。
2.如权利要求1所述的基于贝叶斯原理的试卷难易程度分析方法，其特征在于，所述学生为单个学生或单个班级部分学生或单个班级所有学生或多个班级的学生。
3.如权利要求1所述的基于贝叶斯原理的试卷难易程度分析方法，其特征在于，所述学生平时成绩包括平时作业成绩、考勤成绩、阶段测试成绩和学习视频观看数量。
4.如权利要求3所述的基于贝叶斯原理的试卷难易程度分析方法，其特征在于，所述学生平时成绩的计算公式为
Figure FDA0002336309580000011
其中，x5为所述学生平时成绩，m为学生总数，i为学生编号，ti1、ti2、ti3、ti4依次为第i个学生的所述平时作业成绩、所述考勤成绩、所述阶段测试成绩、所述学习视频观看数量。
5.如权利要求1所述的基于贝叶斯原理的试卷难易程度分析方法，其特征在于，所述综合评价数据集还包括学生类别、课程类别、学生年级、学生班级。
6.如权利要求1所述的基于贝叶斯原理的试卷难易程度分析方法，其特征在于，所述构建基于贝叶斯原理的线性回归模型，包括：
获取所述权重的先验概率，根据所述先验概率计算所述权重的后验概率；
计算所述后验概率的最大似然估计并得到计算所述权重的所述线性回归模型。
7.如权利要求4所述的基于贝叶斯原理的试卷难易程度分析方法，其特征在于，计算所述后验概率的最大似然估计并得到计算所述权重的所述线性回归模型，包括：
对所述后验概率的似然函数取自然对数；
对所述似然函数的自然对数求导并令导数为零，构建所述似然函数的自然对数与零的等式；
求解所述等式以获得所述述线性回归模型。
8.一种基于贝叶斯原理的试卷难易程度分析系统，其特征在于，包括：
数据获取模块(10)，用于获取学生的历史综合评价数据集和历史试卷难度，所述综合评价数据集包括学生平时成绩；
模型构建模块(20)，用于构建基于贝叶斯原理的线性回归模型；
权重分析模块(30)，用于将所述历史综合评价数据集、所述历史试卷难度导入所述线性回归模型，对所述线性回归模型的权重进行参数估计；
难度分析模块(40)，用于获取学生的当前综合评价数据集，将所述当前综合评价数据集和所述权重导入试卷难度计算模型中计算待出试卷的难度。
9.一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存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如权利要求1-7任一项所述的方法。
CN201911357396.4A 2019-12-25 2019-12-25 一种基于贝叶斯原理的试卷难易程度分析方法及系统 Active CN111160444B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911357396.4A CN111160444B (zh) 2019-12-25 2019-12-25 一种基于贝叶斯原理的试卷难易程度分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911357396.4A CN111160444B (zh) 2019-12-25 2019-12-25 一种基于贝叶斯原理的试卷难易程度分析方法及系统

Publications (2)

Publication Number Publication Date
CN111160444A true CN111160444A (zh) 2020-05-15
CN111160444B CN111160444B (zh) 2023-09-08

Family

ID=70558152

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911357396.4A Active CN111160444B (zh) 2019-12-25 2019-12-25 一种基于贝叶斯原理的试卷难易程度分析方法及系统

Country Status (1)

Country Link
CN (1) CN111160444B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7003158B1 (en) * 2002-02-14 2006-02-21 Microsoft Corporation Handwriting recognition with mixtures of Bayesian networks
CN105488142A (zh) * 2015-11-24 2016-04-13 科大讯飞股份有限公司 成绩信息录入方法及系统
CN106127634A (zh) * 2016-06-20 2016-11-16 山东师范大学 一种基于朴素贝叶斯模型的学生学业成绩预测方法及系统
KR101680007B1 (ko) * 2015-10-08 2016-11-28 한국교육과정평가원 서답형 답안 채점 방법, 그를 위한 컴퓨터 프로그램과 기록매체
CN107705033A (zh) * 2017-10-24 2018-02-16 武汉览山科技股份有限公司 一种基于大数据的教学质量测评系统
CN110415571A (zh) * 2018-12-05 2019-11-05 漳州万利达科技有限公司 一种智能组卷、考试方法与系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7003158B1 (en) * 2002-02-14 2006-02-21 Microsoft Corporation Handwriting recognition with mixtures of Bayesian networks
KR101680007B1 (ko) * 2015-10-08 2016-11-28 한국교육과정평가원 서답형 답안 채점 방법, 그를 위한 컴퓨터 프로그램과 기록매체
CN105488142A (zh) * 2015-11-24 2016-04-13 科大讯飞股份有限公司 成绩信息录入方法及系统
CN106127634A (zh) * 2016-06-20 2016-11-16 山东师范大学 一种基于朴素贝叶斯模型的学生学业成绩预测方法及系统
CN107705033A (zh) * 2017-10-24 2018-02-16 武汉览山科技股份有限公司 一种基于大数据的教学质量测评系统
CN110415571A (zh) * 2018-12-05 2019-11-05 漳州万利达科技有限公司 一种智能组卷、考试方法与系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
陈星;方海洋;伍度志;: "基于学习难度与混合高斯概率密度的考试综合成绩合成方法", 高等农业教育, no. 05, pages 328 - 329 *
齐晓慧 等, 国防工业出版社 *

Also Published As

Publication number Publication date
CN111160444B (zh) 2023-09-08

Similar Documents

Publication Publication Date Title
Ke et al. Automated Essay Scoring: A Survey of the State of the Art.
Teo et al. Assessing the dimensionality of computer self-efficacy among pre-service teachers in Singapore: A structural equation modeling approach
Gray et al. Learning factor models of students at risk of failing in the early stage of tertiary education
CN112699283B (zh) 试卷生成方法及装置
CN111831831A (zh) 一种基于知识图谱的个性化学习平台及其构建方法
Lee et al. Use of training, validation, and test sets for developing automated classifiers in quantitative ethnography
CN113851020A (zh) 一种基于知识图谱的自适应学习平台
JP6190802B2 (ja) 項目応答理論に基づいて多数の受験者の能力値を推定するコンピューティング
Fox Applications of multilevel IRT modeling
CN117574201A (zh) 基于多工业模型的模型训练方法、装置、设备和存储介质
CN111160444A (zh) 一种基于贝叶斯原理的试卷难易程度分析方法及系统
CN115984053A (zh) 试题推荐方法、装置、电子设备和存储介质
CN112785001B (zh) 克服歧视与偏见的人工智能教育反省机器人
CN109300031A (zh) 基于股票评论数据的数据挖掘方法和装置
Ramnarain-Seetohul et al. Work-in-progress: computing sentence similarity for short texts using transformer models
Dodia et al. Machine Learning-based Automated System for Subjective Answer Evaluation
Kurniawan et al. Analysis and Comparative Between Profile Matching and SAW Method in Decision Support
Kaymak Quantifying the signaling role of education
Murphy et al. Evaluating the predictive value of growth prediction models
Cai et al. Online risk measure estimation via natural gradient boosting
Noskov et al. Mathematical model for early prediction of learning success
CN115063030B (zh) 基于双向熵值度量的教学数据评鉴可信度检验系统
T Kahwachi et al. Forecasting Electricity Generation in Kurdistan Region Using BOX-Jenkins Model
CN114492848B (zh) 一种兼容多学习模型的自适应学习系统、方法及应用
Sharma et al. Managers Training Programs Effectiveness Evaluation by using different Machine Learning Approaches

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: No.01-6, 1st floor, building 6, international enterprise center, special 1, Guanggu Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000

Applicant after: Wuhan Meihe Yisi Digital Technology Co.,Ltd.

Address before: No.01-6, 1st floor, building 6, international enterprise center, special 1, Guanggu Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000

Applicant before: HUBEI MEIHE YISI EDUCATION TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant