CN111242267A - 在线考试的组卷方法和组卷装置 - Google Patents

在线考试的组卷方法和组卷装置 Download PDF

Info

Publication number
CN111242267A
CN111242267A CN201911425423.7A CN201911425423A CN111242267A CN 111242267 A CN111242267 A CN 111242267A CN 201911425423 A CN201911425423 A CN 201911425423A CN 111242267 A CN111242267 A CN 111242267A
Authority
CN
China
Prior art keywords
test
volume
test paper
particle
objective function
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.)
Pending
Application number
CN201911425423.7A
Other languages
English (en)
Inventor
谢欢
杨博
朱戎
赵蕾
穆克彬
叶宽
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.)
State Grid Corp of China SGCC
State Grid Beijing Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Beijing Electric Power 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 State Grid Corp of China SGCC, State Grid Beijing Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201911425423.7A priority Critical patent/CN111242267A/zh
Publication of CN111242267A publication Critical patent/CN111242267A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
    • G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Educational Technology (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种在线考试的组卷方法和组卷装置。其中，该方法包括：确定待获取试卷的多个约束项目指标；依据约束项目指标和UML建模工具构建组卷数学模型，并通过组卷数据模型获取组卷目标函数；使用粒子群算法对组卷目标函数进行求解，得到组卷目标函数值；将组卷目标函数值导入至试题库中得到目标试题组合，其中，目标试题组合用于构成满足多个约束项目指标的考试试卷。本发明解决了传统在线考试智能组卷方法适应性能较差、稳定性不强的技术问题。

Description

在线考试的组卷方法和组卷装置
技术领域
本发明涉及在线考试领域，具体而言，涉及一种在线考试的组卷方法和组卷装置。
背景技术
经济飞速发展导致的资源过度消耗，已经在很大程度上制约了我国未来的经济发展。随着构建资源节约型社会的脚步逐渐加快，无纸化办公由一个提议过渡到了实施阶段。各级企事业单位与政府部门都在积极推进无纸化、信息化的办公建设，考试作为我国最重要的教育载体，也在资源节约型社会的建设上起到了一定的表率作用。主要表现为伴随着网络技术与计算机软件的高速发展，以及硬件成本的降低，多个高校已经将计算机辅助教学应用于自身的教学管理中，积极贯彻无纸化办公。计算机辅助教学主要是将计算机作为教学中的辅助工具，借助多媒体、人工智能等软件技术展开多样化的教学活动。在教学内容的安排上，相较于传统的教学方式，这种方式更加直观、生动，可以彻底激发学生的兴趣，从而获得更好的教学效果。而在线考试系统作为计算机辅助教学的重要组成部分，是一种区别于传统方式的教学评测手段，能够克服传统教学评测手段中较长的阅卷周期以及较大的阅卷工作量等缺陷，并且具备低碳环保、科学性、公平性等优势，因此在研发成功后获得了极快的发展。
在线考试系统的推行关键在于试卷质量，因此对于在线考试系统而言，组卷模块是其重要组成部分。组卷模块的主要功能是以教师的组卷要求为依据，高质量、高效率的生成各种符合约束条件的考试试卷。生成试卷的质量会对学校评测教师教学质量与学生学习效果的结果有直接影响，并影响到下一学期学校整体教学计划的制定与教学改革的整体进度。而如何保障组卷模块最大程度的满足各个学校对于考核教学质量的不同需求，成为了在线考试系统的重要研究问题。因此针对组卷模块的智能组卷问题成为了在线考试系统的研究热点。
传统在线考试智能组卷方法包括：基于回溯试探法的在线考试智能组卷方法、基于随机选取法的在线考试智能组卷方法、基于遗传算法的在线考试智能组卷方法，但上述方法的适应性能较差，稳定性不强。针对这些传统在线考试智能组卷方法的共同缺陷，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种在线考试的组卷方法和组卷装置，以至少解决传统在线考试智能组卷方法适应性能较差、稳定性不强的技术问题。
根据本发明实施例的一个方面，提供了一种在线考试的组卷方法，包括：确定待获取试卷的多个约束项目指标；依据所述约束项目指标和UML建模工具构建组卷数学模型，并通过所述组卷数据模型获取组卷目标函数；使用粒子群算法对所述组卷目标函数进行求解，得到组卷目标函数值；将所述组卷目标函数值导入至试题库中得到目标试题组合，其中，所述目标试题组合用于构成满足多个约束项目指标的考试试卷。
可选地，所述待获取试卷构建有状态目标矩阵，其中，所述状态目标矩阵如下所示：
Figure BDA0002353446580000021
式中，A代表所述待获取试卷构建的状态目标矩阵；m代表所述待获取试卷中包含的试题总数；n代表各个试题的属性项目；amn代表待获取试卷中各个试题的对应编号。
可选地，约束项目指标包括至少以下任意之一：题型约束项目指标、知识点项目约束指标、试卷难度约束项目指标、答题用时约束项目指标、试卷总分约束项目指标；其中，所述知识点项目约束指标的计算公式为：
Figure BDA0002353446580000022
式中，e1代表所述待获取试卷的知识点误差，L代表所述待获取试卷中所包含的知识点数量，K代表合格率，m代表所述待获取试卷中包含的试题总数，ki代表试卷的选取试题中包含第i个知识点的试题总个数，b代表第i个知识点的出现次数；
其中，所述试卷难度约束项目指标的计算公式为：
Figure BDA0002353446580000023
式中，e2代表所述待获取试卷的整体难易程度，m代表所述待获取试卷中包含的试题总数，ai3代表第i道试卷试题的难易程度，D代表所述待获取试卷的预设难度系数；
其中，所述答题用时约束项目指标的计算公式为：
Figure BDA0002353446580000031
试中，e3代表所述待获取试卷的答题时间误差，T代表所述待获取试卷的预设答题总用时，m代表所述待获取试卷中包含的试题总数，ai4代表学生回答第i道试卷试题时的预估需求时间；
其中，所述试卷总分约束项目指标的计算公式为：
Figure BDA0002353446580000032
式中，S代表所述待获取试卷的标准总分，m代表所述待获取试卷中包含的试题总数，ai2代表各道试题的标准分值。
可选地，依据所述约束项目指标和UML建模工具构建组卷数学模型，并通过所述组卷数据模型获取组卷目标函数，包括：依据所述约束项目指标和UML建模工具构建组卷数学模型；根据构建的所述组卷数据模型确定组卷目标函数，其中，所述组卷目标函数如下所示：
Figure BDA0002353446580000033
式中，f(x)代表组卷目标函数，wi代表智能组卷的权重系数，且满足下式：
Figure BDA0002353446580000034
ei代表利用组卷数学模型获取的约束组卷条件目标值与实际组卷值之间的误差值。
可选地，所述在线考试的组卷方法还包括：使用第一公式，对所述粒子群算法中的粒子进行更新自身位置和速度变化，其中，第一公式为：
Figure BDA0002353446580000035
式中，
Figure BDA0002353446580000036
代表的是在k+1次迭代中，粒子速度Vi的对应第d维分量与粒子位置Xi的对应第d维分量；w代表惯性因子；
Figure BDA0002353446580000037
代表粒子种群中排行为i的粒子在经历迭代次数为k的变化后所获取的第d维的粒子惯性速度；t代表迭代总次数；c1、c2代表设置的常数，rand()代表[0,1]范围内设置的随机数；
Figure BDA0002353446580000038
代表粒子种群中排行为i的粒子当前位置与最好历史位置间的距离，在测量最好历史位置时的加速度为排行为i的粒子在第k+1次迭代中自身获取的加速度；
Figure BDA0002353446580000039
代表粒子种群中排行为i的粒子当前位置与最好历史位置间的距离，在测量最好历史位置时的加速度为整个粒子种群在第k+1次迭代中获取的加速度；
Figure BDA00023534465800000310
代表的是第k次迭代中，粒子位置Xi的对应第d维分量。
可选地，所述使用粒子群算法对所述组卷目标函数进行求解，得到组卷目标函数值，包括：以所述待获取试卷的多个约束项目指标为依据，在所述试题库中遍历搜索负荷所述多个约束项目指标的试题，并对搜索到的所述试题进行编码处理，以生成初始种群；将所述组卷目标函数映射为所述粒子种族群的组卷适应度函数，其中，g(x)＝1/f(x)，g(x)代表所述组卷适应度函数；f(x)代表所述组卷目标函数；使用所述粒子群算法对所述组卷适应度函数和所述初始种群进行求解，得到组卷目标函数值。
可选地，在使用第一公式对所述粒子群算法中的粒子进行更新自身位置的情况下，使用所述粒子群算法对所述组卷适应度函数和所述初始种群进行求解，得到组卷目标函数值，包括：使用贪心算法生成初始粒子数、粒子位置和粒子速度，并计算更新粒子位置和粒子速度；判断在给定的代数中，个体或种群的最佳适应度是否发发生变化；若发生变化，则进行交叉变异操作，再计算新的组卷目标函数值；若未发生变化，则计算新的组卷目标函数值；在计算新的组卷目标函数值之后，判断所述新计算的组卷目标函数值是否达到了所需的代数，或，判断所述新计算的组卷目标函数值是否得到了最优组卷目标函数值；若否，则继续执行“计算更新粒子位置和粒子速度”；若是，则输出所述新计算的组卷目标函数值
根据本发明实施例的另一方面，还提供了一种在线考试的组卷装置，包括：确定单元，用于确定待获取试卷的多个约束项目指标；第一获取单元，用于依据所述约束项目指标和UML建模工具构建组卷数学模型，并通过所述组卷数据模型获取组卷目标函数；第二获取单元，用于使用粒子群算法对所述组卷目标函数进行求解，得到组卷目标函数值；第三获取单元，用于将所述组卷目标函数值导入至试题库中得到目标试题组合，其中，所述目标试题组合用于构成满足多个约束项目指标的考试试卷。
根据本申请的另一方面，提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序执行上述任意一项所述的在线考试的组卷方法。
根据本申请的另一方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任意一项所述的在线考试的组卷方法。
在本发明实施例中，通过确定待获取试卷的多个约束项目指标；依据所述约束项目指标和UML建模工具构建组卷数学模型，并通过所述组卷数据模型获取组卷目标函数；使用粒子群算法对所述组卷目标函数进行求解，得到组卷目标函数值；将所述组卷目标函数值导入至试题库中得到目标试题组合，其中，所述目标试题组合用于构成满足多个约束项目指标的考试试卷，解决了传统在线考试智能组卷方法适应性能较差、稳定性不强技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种可选的在线考试的组卷方法的示意图；
图2是一种可选的生成初始种群的流程示意图；
图3是一种可选的利用改进之后的粒子群算法对组卷目标函数进行求解的流程示意图；
图4是根据本发明实施例的一种可选的在线考试的组卷装置的示意图。
具体实施方式
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。
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。
根据本发明实施例，提供了一种在线考试的组卷方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的在线考试的组卷方法，如图1所示，该方法包括如下步骤：
步骤S102，确定待获取试卷的多个约束项目指标。
也即，需要先确定考试试卷的多个约束项目指标，即在线考试系统中的教师用户对各个项目提出的明确的组卷要求，包括题型约束、答题用时约束、试卷难度约束等。
首先，构建一个考试试卷的状态目标矩阵。也即，为了表示该考试试卷中每个试题、以及试题对应的参数，引入一种n维向量构建关于考试试卷的状态目标矩阵，也即，所述待获取试卷构建有状态目标矩阵，其中，所述状态目标矩阵如下所示：
Figure BDA0002353446580000061
式中，A代表所述待获取试卷构建的状态目标矩阵；m代表所述待获取试卷中包含的试题总数；n代表各个试题的属性项目；amn代表待获取试卷中各个试题的对应编号。
其次，考试试卷的选取必须满足试卷的整体要求，因此构建的考试试卷状态目标矩阵也必须规定其约束项目指标，其中，约束项目指标如下：
1、题型约束项目指标是指试题的划分类型，包括综合题、简答题、计算题、判断题、填空题、选择题(多选与单选)等。
2、答题用时约束项目指标是指根据试卷整体难易程度设置答题标准总用时后，针对这个答题标准总用时会产生一种答题时间误差，具体表达方式如下：
Figure BDA0002353446580000062
其中，e3代表产生的答题时间误差；T代表根据试卷整体难易程度设置的答题标准总用时；ai4代表学生回答第i道试卷试题时的预估需求时间。
3、试卷难度约束项目指标是指试卷的整体难易程度，可以用下式来表示：
Figure BDA0002353446580000063
其中，e2代表试卷的整体难易程度；ai3代表第i道试卷试题的具体难易程度；D代表设置的标准试卷难度系数。根据试卷难度可以将试卷划分为五个等级，包括难、较难、中等、较简单、简单(10，8，6，4，2)。
4、知识点约束项目指标是指试卷内容的知识点误差，可以用下式来表示：
Figure BDA0002353446580000064
其中，e1代表试卷内容的知识点误差；A代表考试试卷中包含知识点的整体个数；K代表合格率，ki代表试卷的选取试题中包含第i个知识点的试题总个数，b代表第i个知识点的出现次数。也即，
Figure BDA0002353446580000071
指的是整个试卷中知识点所占的合格率。
5、试卷总分约束项目指标是指试卷标准总分，其计算公式如下：
Figure BDA0002353446580000072
其中，S代表指试卷标准总分；ai2代表各道试题的标准分值。
在一个可选的示例中，约束项目指标包括至少以下任意之一：题型约束项目指标、知识点项目约束指标、试卷难度约束项目指标、答题用时约束项目指标、试卷总分约束项目指标，其具体如下：
其中，所述知识点项目约束指标的计算公式为：
Figure BDA0002353446580000073
式中，e1代表所述待获取试卷的知识点误差，L代表所述待获取试卷中所包含的知识点数量，K代表合格率，m代表所述待获取试卷中包含的试题总数，ki代表试卷的选取试题中包含第i个知识点的试题总个数，b代表第i个知识点的出现次数；
其中，所述试卷难度约束项目指标的计算公式为：
Figure BDA0002353446580000074
式中，e2代表所述待获取试卷的整体难易程度，m代表所述待获取试卷中包含的试题总数，ai3代表第i道试卷试题的难易程度，D代表所述待获取试卷的预设难度系数；
其中，所述答题用时约束项目指标的计算公式为：
Figure BDA0002353446580000075
试中，e3代表所述待获取试卷的答题时间误差，T代表所述待获取试卷的预设答题总用时，m代表所述待获取试卷中包含的试题总数，ai4代表学生回答第i道试卷试题时的预估需求时间；
其中，所述试卷总分约束项目指标的计算公式为：
Figure BDA0002353446580000081
式中，S代表所述待获取试卷的标准总分，m代表所述待获取试卷中包含的试题总数，ai2代表各道试题的标准分值。
步骤S104，依据所述约束项目指标和UML建模工具构建组卷数学模型，并通过所述组卷数据模型获取组卷目标函数。
根据试卷约束项目指标，并基于UML建模工具构建组卷数学模型，通过该模型获取组卷目标函数，其中，构建的组卷数学模型如下式所示：
Figure BDA0002353446580000082
其中，c3i代表各道试题的标准能力；ai5代表试题能力所对应的的层次；c4i代表知识点所属单元；ai6代表知识点的标准试卷占分比；Zp代表第P个能力层次的具体题分；Pj代表第j个知识单元题的具体题分。
根据构建的组卷数学模型获取组卷目标函数，具体如下式所示：
Figure BDA0002353446580000083
其中，f(x)代表组卷目标函数；wi代表组卷的权重系数，且满足下式：
Figure BDA0002353446580000084
需要说明的是：而ei代表利用组卷数学模型获取的约束组卷条件目标值与实际组卷值之间的误差值。通常组卷目标函数值越小，其组卷越满足用户需求。
也即，依据所述约束项目指标和UML建模工具构建组卷数学模型，并通过所述组卷数据模型获取组卷目标函数，包括：依据所述约束项目指标和UML建模工具构建组卷数学模型；根据构建的所述组卷数据模型，确定组卷目标函数，其中，所述组卷目标函数如下所示：
Figure BDA0002353446580000091
式中，f(x)代表组卷目标函数，wi代表智能组卷的权重系数，且满足下式：
Figure BDA0002353446580000092
ei代表利用组卷数学模型获取的约束组卷条件目标值与实际组卷值之间的误差值。
步骤S106，使用粒子群算法对所述组卷目标函数进行求解，得到组卷目标函数值。也即，基于粒子群算法对组卷目标函数进行求解，以获取最小的组卷目标函数值，使组卷更符合教师用户需求。
在一个可选的示例中，所述在线考试的组卷方法还包括：使用第一公式，对所述粒子群算法中的粒子进行更新自身位置和速度变化，其中，第一公式为：
Figure BDA0002353446580000093
式中，
Figure BDA0002353446580000094
代表的是在k+1次迭代中，粒子速度Vi的对应第d维分量与粒子位置Xi的对应第d维分量；w代表惯性因子；
Figure BDA0002353446580000095
代表粒子种群中排行为i的粒子在经历迭代次数为k的变化后所获取的第d维的粒子惯性速度；t代表迭代总次数；c1、c2代表设置的常数，rand()代表[0,1]范围内设置的随机数；
Figure BDA0002353446580000096
代表粒子种群中排行为i的粒子当前位置与最好历史位置间的距离，在测量最好历史位置时的加速度为排行为i的粒子在第k+1次迭代中自身获取的加速度；
Figure BDA0002353446580000097
代表粒子种群中排行为i的粒子当前位置与最好历史位置间的距离，在测量最好历史位置时的加速度为整个粒子种群在第k+1次迭代中获取的加速度；
Figure BDA0002353446580000098
代表的是第k次迭代中，粒子位置Xi的对应第d维分量。
进一步的，所述使用粒子群算法对所述组卷目标函数进行求解，得到组卷目标函数值，包括：以所述待获取试卷的多个约束项目指标为依据，在所述试题库中遍历搜索负荷所述多个约束项目指标的试题，并对搜索到的所述试题进行编码处理，以生成初始种群；将所述组卷目标函数映射为所述粒子种族群的组卷适应度函数，其中，g(x)＝1/f(x)，g(x)代表所述组卷适应度函数；f(x)代表所述组卷目标函数；使用所述粒子群算法对所述组卷适应度函数和所述初始种群进行求解，得到组卷目标函数值。
进一步的，在使用第一公式对所述粒子群算法中的粒子进行更新自身位置的情况下，使用所述粒子群算法对所述组卷适应度函数和所述初始种群进行求解，得到组卷目标函数值，包括：使用贪心算法生成初始粒子数、粒子位置和粒子速度，并计算更新粒子位置和粒子速度；判断在给定的代数中，个体或种群的最佳适应度是否发发生变化；若发生变化，则进行交叉变异操作，再计算新的组卷目标函数值；若未发生变化，则计算新的组卷目标函数值；在计算新的组卷目标函数值之后，判断所述新计算的组卷目标函数值是否达到了所需的代数，或，判断所述新计算的组卷目标函数值是否得到了最优组卷目标函数值；若否，则继续执行“计算更新粒子位置和粒子速度”；若是，则输出所述新计算的组卷目标函数值。
也即，粒子群算法中的粒子主要通过下式来更新自身的位置与速度变化：
Figure BDA0002353446580000101
式中，w代表惯性因子；
Figure BDA0002353446580000102
代表粒子种群中排行为i的粒子在经历迭代次数为k的变化后所获取的第d维的粒子惯性速度；c1、c2代表设置的常数，是一种学习因子，通常直接从上一代处继承位置和速度；rand()代表[0,1]范围内设置的随机数；
Figure BDA0002353446580000103
代表的是在k+1次迭代中，粒子速度Vi的对应第d维分量与粒子位置Xi的对应第d维分量；
Figure BDA0002353446580000104
代表粒子种群中排行为i的粒子当前位置与最好历史位置间的距离，在测量最好历史位置时的加速度为排行为i的粒子在第k+1次迭代中自身获取的加速度；
Figure BDA0002353446580000105
代表粒子种群中排行为i的粒子当前位置与最好历史位置间的距离，在测量最好历史位置时的加速度为整个粒子种群在第k+1次迭代中获取的加速度；
Figure BDA0002353446580000106
代表的是第k次迭代中，粒子位置Xi的对应第d维分量；t代表迭代总次数。
对粒子群算法进行改进，在其中加入遗传算法的变异操作与交叉操作，对于变异操作与交叉操作的概率则利用自适应方法来解决。针对粒子的试卷题型分组来进行变异操作与交叉操作，以确保试卷整体的稳定性。
1、生成初始种群
通过整数编码策略即分组自然数的策略进行组卷编码，也就是以组卷的具体约束条件为依据，在试题库中搜索符合组卷约束条件的考试试题，并通过试题的编号对其进行编码。利用生成编码，并将难度、总分、题型、知识点等约束条件作为前提生成初始种群，其具体流程如图2所示。
2、确定适应度函数
将适应值作为粒子种群中区分粒子好坏的标准，将组卷目标函数作为适应值的求解方式。为了实现粒子最优，确保适度值保持在合适大小，将组卷目标函数映射为组卷适应度函数：
Figure BDA0002353446580000111
其中，g(x)代表组卷适应度函数；f(x)代表组卷目标函数。g(x)值越小，则组卷质量越高。
3、求解组卷目标函数
利用改进之后的粒子群算法对组卷目标函数进行求解，其具体流程如图3所示。
步骤S108，将所述组卷目标函数值导入至试题库中得到目标试题组合，其中，所述目标试题组合用于构成满足多个约束项目指标的考试试卷。也即，将组卷目标函数求出的最优解导入试题库中，根据最优解来组合试题库试题，并将试题组合导入在线考试系统中，实现在线考试的智能组卷。
在一个可选的示例中，在将所述组卷目标函数值导入至试题库中得到目标试题组合之后，所述方法还包括：设计试题模板；基于所述试题模板将所述目标试题组合导入至在线考试系统中。
例如：根据试题组合设计试卷试题模板，该模板的格式可以为Excel，其中选择题的试题模板如表1所示。
表1选择题的试题模板
Figure BDA0002353446580000112
Figure BDA0002353446580000121
填空题的试题模板如表2所示。
表2填空题的试题模板
Figure BDA0002353446580000122
判断题的试题模板如表3所示。
表3判断题的试题模板
Figure BDA0002353446580000123
Figure BDA0002353446580000131
计算题的试题模板如表4所示。
表4计算题的试题模板
Figure BDA0002353446580000132
综合题、简答题的试题模板如表5所示。表5综合题、简答题的试题模板
Figure BDA0002353446580000133
Figure BDA0002353446580000141
例如：将试题组合导入在线考试系统中，其中不含图片与公式的试题可以选择批量导入，而包含图片或公式的试题则需要单个进行导入。编辑试题组合的Excel文档，并将其导入系统中。
需要说明的是：本申请实施例提供的在线考试的组卷方法遵循如下组卷规则，具体如表6所示。
表6组卷规则
Figure BDA0002353446580000142
Figure BDA0002353446580000151
在组卷过程中，如果规则较多且无法全部满足，则直接将几个最重要的规则选定为组卷条件。
综上所述，本申请提出的在线考试的组卷方法，具有如下优点：
(1)利用基于UML与粒子群算法的在线考试智能组卷方法进行在线考试智能组卷，实验试题库中共包含2000道试题，各道试题中分别存储着难度、分值、知识点等相关属性，其中包含的试题类型有综合题、简答题、填空题、判断题、多项选择题、单项选择题这六种题型。
(2)在设置的组卷要求下，为了验证基于UML与粒子群算法的在线考试智能组卷方法的性能，保证实验结果的可靠性与真实性，将传统在线考试智能组卷方法与本文方法进行对比实验。比较各个在线考试智能组卷方法的适应性能，通常判断在线考试智能组卷方法适应性能的依据是其适应度曲线的阶梯稳定性。适应度曲线的阶梯稳定性越强，即跨越的阶梯越少，则可以证明其适应性能越强。
(3)适应性能对比实验结果可知，基于回溯试探法、基于随机选取法、基于遗传算法的在线考试智能组卷方法等传统方法，适应度曲线的阶梯稳定性不强，跨越的阶梯较多；而基于UML与粒子群算法的在线考试智能组卷方法适应度曲线的阶梯稳定性更强，相较于传统在线考试智能组卷方法，跨越的阶梯更少，适应性能更强，实现了质的飞跃。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种在线考试的组卷装置，需要说明的是，本申请实施例的在线考试的组卷装置可以用于执行本申请实施例所提供的用于在线考试的组卷方法。以下对本申请实施例提供的在线考试的组卷装置进行介绍。
图4是根据本申请实施例的在线考试的组卷装置的示意图。如图4所示，该装置包括：确定单元41、第一获取单元43、第二获取单元45和第三获取单元47。
确定单元41，用于确定待获取试卷的多个约束项目指标。
第一获取单元43，用于依据所述约束项目指标和UML建模工具构建组卷数学模型，并通过所述组卷数据模型获取组卷目标函数。
第二获取单元45，用于使用粒子群算法对所述组卷目标函数进行求解，得到组卷目标函数值。
第三获取单元47，用于将所述组卷目标函数值导入至试题库中得到目标试题组合，其中，所述目标试题组合用于构成满足多个约束项目指标的考试试卷。
需要说明的是：在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种在线考试的组卷方法，其特征在于，包括：
确定待获取试卷的多个约束项目指标；
依据所述约束项目指标和UML建模工具构建组卷数学模型，并通过所述组卷数据模型获取组卷目标函数；
使用粒子群算法对所述组卷目标函数进行求解，得到组卷目标函数值；
将所述组卷目标函数值导入至试题库中得到目标试题组合，其中，所述目标试题组合用于构成满足多个约束项目指标的考试试卷。
2.根据权利要求1所述的组卷方法，其特征在于，所述待获取试卷构建有状态目标矩阵，其中，所述状态目标矩阵如下所示：
Figure FDA0002353446570000011
式中，A代表所述待获取试卷构建的状态目标矩阵；m代表所述待获取试卷中包含的试题总数；n代表各个试题的属性项目；amn代表待获取试卷中各个试题的对应编号。
3.根据权利要求2所述的组卷方法，其特征在于，约束项目指标包括至少以下任意之一：题型约束项目指标、知识点项目约束指标、试卷难度约束项目指标、答题用时约束项目指标、试卷总分约束项目指标；
其中，所述知识点项目约束指标的计算公式为：
Figure FDA0002353446570000012
式中，e1代表所述待获取试卷的知识点误差，L代表所述待获取试卷中所包含的知识点数量，K代表合格率，m代表所述待获取试卷中包含的试题总数，ki代表试卷的选取试题中包含第i个知识点的试题总个数，b代表第i个知识点的出现次数；
其中，所述试卷难度约束项目指标的计算公式为：
Figure FDA0002353446570000013
式中，e2代表所述待获取试卷的整体难易程度，m代表所述待获取试卷中包含的试题总数，ai3代表第i道试卷试题的难易程度，D代表所述待获取试卷的预设难度系数；
其中，所述答题用时约束项目指标的计算公式为：
Figure FDA0002353446570000021
试中，e3代表所述待获取试卷的答题时间误差，T代表所述待获取试卷的预设答题总用时，m代表所述待获取试卷中包含的试题总数，ai4代表学生回答第i道试卷试题时的预估需求时间；
其中，所述试卷总分约束项目指标的计算公式为：
Figure FDA0002353446570000022
式中，S代表所述待获取试卷的标准总分，m代表所述待获取试卷中包含的试题总数，ai2代表各道试题的标准分值。
4.根据权利要求1所述的组卷方法，其特征在于，依据所述约束项目指标和UML建模工具构建组卷数学模型，并通过所述组卷数据模型获取组卷目标函数，包括：
依据所述约束项目指标和UML建模工具构建组卷数学模型；
根据构建的所述组卷数据模型确定组卷目标函数，其中，所述组卷目标函数如下所示：
Figure FDA0002353446570000023
式中，f(x)代表组卷目标函数，wi代表智能组卷的权重系数，且满足下式：
Figure FDA0002353446570000024
ei代表利用组卷数学模型获取的约束组卷条件目标值与实际组卷值之间的误差值。
5.根据权利要求1所述的组卷方法，其特征在于，所述在线考试的组卷方法还包括：
使用第一公式，对所述粒子群算法中的粒子进行更新自身位置和速度变化，其中，第一公式为：
Figure FDA0002353446570000025
式中，
Figure FDA0002353446570000026
代表的是在k+1次迭代中，粒子速度Vi的对应第d维分量与粒子位置Xi的对应第d维分量；w代表惯性因子；
Figure FDA0002353446570000027
代表粒子种群中排行为i的粒子在经历迭代次数为k的变化后所获取的第d维的粒子惯性速度；t代表迭代总次数；c1、c2代表设置的常数，rand()代表[0,1]范围内设置的随机数；
Figure FDA0002353446570000031
代表粒子种群中排行为i的粒子当前位置与最好历史位置间的距离，在测量最好历史位置时的加速度为排行为i的粒子在第k+1次迭代中自身获取的加速度；
Figure FDA0002353446570000032
代表粒子种群中排行为i的粒子当前位置与最好历史位置间的距离，在测量最好历史位置时的加速度为整个粒子种群在第k+1次迭代中获取的加速度；
Figure FDA0002353446570000033
代表的是第k次迭代中，粒子位置Xi的对应第d维分量。
6.根据权利要求5所述的组卷方法，其特征在于，所述使用粒子群算法对所述组卷目标函数进行求解，得到组卷目标函数值，包括：
以所述待获取试卷的多个约束项目指标为依据，在所述试题库中遍历搜索负荷所述多个约束项目指标的试题，并对搜索到的所述试题进行编码处理，以生成初始种群；
将所述组卷目标函数映射为所述粒子种族群的组卷适应度函数，其中，g(x)＝1/f(x)，g(x)代表所述组卷适应度函数；f(x)代表所述组卷目标函数；
使用所述粒子群算法对所述组卷适应度函数和所述初始种群进行求解，得到组卷目标函数值。
7.根据权利要求6所述的组卷方法，其特征在于，在使用第一公式对所述粒子群算法中的粒子进行更新自身位置的情况下，使用所述粒子群算法对所述组卷适应度函数和所述初始种群进行求解，得到组卷目标函数值，包括：
使用贪心算法生成初始粒子数、粒子位置和粒子速度，并计算更新粒子位置和粒子速度；
判断在给定的代数中，个体或种群的最佳适应度是否发发生变化；
若发生变化，则进行交叉变异操作，再计算新的组卷目标函数值；
若未发生变化，则计算新的组卷目标函数值；
在计算新的组卷目标函数值之后，判断所述新计算的组卷目标函数值是否达到了所需的代数，或，判断所述新计算的组卷目标函数值是否得到了最优组卷目标函数值；
若否，则继续执行“计算更新粒子位置和粒子速度”；
若是，则输出所述新计算的组卷目标函数值。
8.一种在线考试的组卷装置，其特征在于，包括：
确定单元，用于确定待获取试卷的多个约束项目指标；
第一获取单元，用于依据所述约束项目指标和UML建模工具构建组卷数学模型，并通过所述组卷数据模型获取组卷目标函数；
第二获取单元，用于使用粒子群算法对所述组卷目标函数进行求解，得到组卷目标函数值；
第三获取单元，用于将所述组卷目标函数值导入至试题库中得到目标试题组合，其中，所述目标试题组合用于构成满足多个约束项目指标的考试试卷。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至7中任意一项所述在线考试的组卷。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至7中任意一项所述在线考试的组卷。
CN201911425423.7A 2019-12-31 2019-12-31 在线考试的组卷方法和组卷装置 Pending CN111242267A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911425423.7A CN111242267A (zh) 2019-12-31 2019-12-31 在线考试的组卷方法和组卷装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911425423.7A CN111242267A (zh) 2019-12-31 2019-12-31 在线考试的组卷方法和组卷装置

Publications (1)

Publication Number Publication Date
CN111242267A true CN111242267A (zh) 2020-06-05

Family

ID=70874241

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911425423.7A Pending CN111242267A (zh) 2019-12-31 2019-12-31 在线考试的组卷方法和组卷装置

Country Status (1)

Country Link
CN (1) CN111242267A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112163027A (zh) * 2020-09-30 2021-01-01 华院数据技术(上海)有限公司 一种基于 Django 和 LaTeX 的数学试题组卷系统及方法
CN112182172A (zh) * 2020-09-23 2021-01-05 华南师范大学 基于粒子群遗传算法的组卷方法、系统、装置及介质
CN114780679A (zh) * 2022-04-08 2022-07-22 北京华航唯实机器人科技股份有限公司 生成试卷的方法及装置
CN117131104A (zh) * 2023-08-28 2023-11-28 河北望岳信息科技有限公司 智能抽题组卷方法、装置、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105469145A (zh) * 2016-01-15 2016-04-06 清华大学 一种基于遗传粒子群算法的智能组卷方法
CN106803123A (zh) * 2016-12-20 2017-06-06 广州中软信息技术有限公司 一种用于网络考试的自动组卷方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105469145A (zh) * 2016-01-15 2016-04-06 清华大学 一种基于遗传粒子群算法的智能组卷方法
CN106803123A (zh) * 2016-12-20 2017-06-06 广州中软信息技术有限公司 一种用于网络考试的自动组卷方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张冲: "基于云服务和人脸识别的在线组卷、考试和阅卷系统" *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112182172A (zh) * 2020-09-23 2021-01-05 华南师范大学 基于粒子群遗传算法的组卷方法、系统、装置及介质
CN112182172B (zh) * 2020-09-23 2024-05-31 华南师范大学 基于粒子群遗传算法的组卷方法、系统、装置及介质
CN112163027A (zh) * 2020-09-30 2021-01-01 华院数据技术(上海)有限公司 一种基于 Django 和 LaTeX 的数学试题组卷系统及方法
CN114780679A (zh) * 2022-04-08 2022-07-22 北京华航唯实机器人科技股份有限公司 生成试卷的方法及装置
CN114780679B (zh) * 2022-04-08 2024-05-14 北京华航唯实机器人科技股份有限公司 生成试卷的方法及装置
CN117131104A (zh) * 2023-08-28 2023-11-28 河北望岳信息科技有限公司 智能抽题组卷方法、装置、电子设备及存储介质
CN117131104B (zh) * 2023-08-28 2024-02-27 河北望岳信息科技有限公司 智能抽题组卷方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN111242267A (zh) 在线考试的组卷方法和组卷装置
Christodoulopoulos et al. A group formation tool in an e-learning context
CN106528656A (zh) 一种基于学员历史和实时学习状态参量实现课程推荐的方法和系统
CN111445362A (zh) 一种以学习者为中心的自适应学习系统
Hwang et al. An enhanced genetic approach to composing cooperative learning groups for multiple grouping criteria
US20130084554A1 (en) Customized question paper generation
CN104126190A (zh) 基于知识单元提供教育服务的方法、系统和计算机可读记录介质
Wong et al. Modelling adult learners’ online engagement behaviour: proxy measures and its application
CN108664649A (zh) 知识内容推送方法、装置和推送服务器
CN111709640A (zh) 一种针对教育场景的特征均衡智能分组方法
CN114429212A (zh) 智能学习知识能力跟踪方法、电子设备及存储介质
CN109584127B (zh) 一种用于实验教学的教学资源管理方法及系统
CN113870634A (zh) 一种结合虚拟教学的智能组卷方法与系统
CN109635869A (zh) 在线学习干预系统
CN112925919A (zh) 一种知识图谱驱动的个性化作业布置方法
Peng An effective analysis of online education model based on artificial intelligence
Zhang et al. Research on student Big Data portrait method based on improved K-means algorithm
CN107357909B (zh) 高效多背包容器组卷系统及其组卷方法
CN115130430A (zh) 试卷生成方法、装置、存储介质及计算机设备
Gao et al. Evaluation method of creative dance teaching quality based on fuzzy comprehensive evaluation
Santamarıa-Bonfil et al. A learning ecosystem for linemen training based on big data components and learning analytics
CN112287115A (zh) 基于知识掌握程度图的个性化教学方法、系统及装置
Peng et al. Construction and Application of Farmers’ Practical Teaching System in Vocational Education Based on Big Data Mining Technology
Wu [Retracted] Study on the Optimization of Macroeconomics Teaching Model Based on Cluster Analysis in the Context of Data
Lu et al. [Retracted] Analysis of Key Factors of College Students’ Ideological and Political Education Based on Complex Network

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200605

RJ01 Rejection of invention patent application after publication