CN111737450A - 试卷组卷方法、装置、存储介质及计算机设备 - Google Patents
试卷组卷方法、装置、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN111737450A CN111737450A CN202010775094.5A CN202010775094A CN111737450A CN 111737450 A CN111737450 A CN 111737450A CN 202010775094 A CN202010775094 A CN 202010775094A CN 111737450 A CN111737450 A CN 111737450A
- Authority
- CN
- China
- Prior art keywords
- test paper
- examination
- class
- question
- test
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/338—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Abstract
本发明公开了一种试卷组卷方法、装置、存储介质及计算机设备,所述试卷组卷方法包括:接收组卷输入数据,所述组卷输入数据至少包括考点范围信息和考试班级信息;根据所述考试班级信息获取对应的班级能力值;在题库中召回与所述考点范围信息对应、且与所述班级能力值匹配的候选题目集合;根据试卷题目排序规律从所述候选题目集合中生成预设数量的候选试卷。采用本发明能够自动生成考点分布均匀、难度合理、编排合理的优质试卷,智能化程度更高。
Description
技术领域
本发明涉及教育技术领域,特别是涉及一种试卷组卷方法、装置、存储介质及计算机设备。
背景技术
随着计算机使用的普及,无纸化、自动化考试逐渐成为一种趋势,实现无纸化考试的关键步骤之一是智能组卷。智能组卷是指根据出题者的要求,从题库中抽取试题、自动组成一份满足多重约束条件的高质量试卷。
目前主要使用的组卷方法是随机组卷算法和回溯组卷算法。随机组卷是最常用的策略,它根据状态空间的控制指标,随机地筛选试题加入试卷,不断重复直至组卷完毕,或无法筛选到满足条件的试题为止。回溯组卷算法是在随机算法基础上,将随机算法产生的每一条状态记录下来,当搜索失败时进行回溯,释放上次记录状态,然后再依据规律产生一种新的状态类型试探,通过不断的回溯试探直至试卷生成完毕或回溯到初始状态为止。但上述这两种组卷方法都存在智能化程度低的问题,无法自动生成考点分布均匀、难度合理、编排合理的优质试卷。
发明内容
为此,本发明的一个目的在于提出一种试卷组卷方法,以提升组卷的智能化程度。
本发明提供一种试卷组卷方法,包括:
接收组卷输入数据,所述组卷输入数据至少包括考点范围信息和考试班级信息;
根据所述考试班级信息获取对应的班级能力值;
在题库中召回与所述考点范围信息对应、且与所述班级能力值匹配的候选题目集合;
根据试卷题目排序规律从所述候选题目集合中生成预设数量的候选试卷。
根据本发明提供的试卷组卷方法,组卷输入数据至少包括考点范围信息和考试班级信息,先根据考试班级信息获取对应的班级能力值,然后在题库中召回与考点范围信息对应、且与班级能力值匹配的候选题目集合,使得试卷的考点分布均匀、难度合理,最终根据试卷题目排序规律从候选题目集合中生成预设数量的候选试卷,又保证了试卷题目的编排合理,智能化程度更高;对教师而言,只需要设置考察知识点范围和考试班级,便可自动生成优质试卷,节省出题时间;对学生而言,能够为学生生成符合学生能力成长的试卷,更好的帮助学生提高学习成绩。
另外,根据本发明上述的试卷组卷方法,还可以具有如下附加的技术特征:
进一步地,所述方法还包括:
获取学生的考试数据;
利用学生的考试数据,并根据多维项目反应理论模型计算学生能力值;
根据所述学生能力值和所述考试班级信息计算出所述班级能力值。
进一步地,利用学生的考试数据,并根据多维项目反应理论模型计算学生能力值的步骤具体包括:
利用Pyspark处理学生的考试数据,将学生的考生数据处理成为学生-每题得分的二维表;
将所述二维表输入至多维项目反应理论模型中以计算学生能力值;
根据所述学生能力值,利用k-means聚类算法,对学习进修能力分级。
进一步地,所述组卷输入数据还包括学校信息,所述方法还包括:
获取与所述学校信息对应的离线试卷;
根据所述离线试卷,利用ridge回归模型和卡尔曼滤波预测学校试卷难度值;
在题库中召回与所述考点范围信息对应、且与所述班级能力值和所述学校试卷难度值匹配的候选题目集合。
进一步地,根据所述离线试卷,利用ridge回归模型和卡尔曼滤波预测学校试卷难度值的步骤具体包括:
提取所述离线试卷的特征值,所述特征值至少包括考试时间、考试类型、试卷内各题目的难度值,并利用ridge回归模型拟合历史难度值;
利用卡尔曼滤波进行噪声修正,以预测出所述学校试卷难度值。
进一步地,所述方法还包括:
对离线试卷做特征工程设计,并将题目在试卷中的相对位置作为label值训练CART树模型;
基于试卷题目编排逻辑对CART树模型进行调整,以得到所述试卷题目排序规律。
本发明的另一个目的在于提出一种试卷组卷装置,以提升组卷的智能化程度,自动生成考点分布均匀、难度合理、编排合理的优质试卷。
本发明提供一种试卷组卷装置,包括:
接收模块,用于接收组卷输入数据,所述组卷输入数据至少包括考点范围信息和考试班级信息;
第一获取模块,用于根据所述考试班级信息获取对应的班级能力值;
召回模块,用于在题库中召回与所述考点范围信息对应、且与所述班级能力值匹配的候选题目集合;
生成模块,用于根据试卷题目排序规律从所述候选题目集合中生成预设数量的候选试卷。
根据本发明提供的试卷组卷装置,组卷输入数据至少包括考点范围信息和考试班级信息,先根据考试班级信息获取对应的班级能力值,然后在题库中召回与考点范围信息对应、且与班级能力值匹配的候选题目集合,使得试卷的考点分布均匀、难度合理,最终根据试卷题目排序规律从候选题目集合中生成预设数量的候选试卷,又保证了试卷题目的编排合理,智能化程度更高;对教师而言,只需要设置考察知识点范围和考试班级,便可自动生成优质试卷,节省出题时间;对学生而言,能够为学生生成符合学生能力成长的试卷,更好的帮助学生提高学习成绩。
另外,根据本发明上述的试卷组卷装置,还可以具有如下附加的技术特征:
进一步地,所述装置还包括:
第二获取模块,用于获取学生的考试数据;
第一计算模块,用于利用学生的考试数据,并根据多维项目反应理论模型计算学生能力值;
第二计算模块,用于根据所述学生能力值和所述考试班级信息计算出所述班级能力值。
进一步地,所述第一计算模块具体用于:
利用Pyspark处理学生的考试数据,将学生的考生数据处理成为学生-每题得分的二维表;
将所述二维表输入至多维项目反应理论模型中以计算学生能力值;
根据所述学生能力值,利用k-means聚类算法,对学习进修能力分级。
进一步地,所述组卷输入数据还包括学校信息,所述装置还包括:
第三获取模块,用于获取与所述学校信息对应的离线试卷;
预测模块,用于根据所述离线试卷,利用ridge回归模型和卡尔曼滤波预测学校试卷难度值;
所述召回模块具体用于在题库中召回与所述考点范围信息对应、且与所述班级能力值和所述学校试卷难度值匹配的候选题目集合。
进一步地,根据所述预测模块具体用于:
提取所述离线试卷的特征值,所述特征值至少包括考试时间、考试类型、试卷内各题目的难度值,并利用ridge回归模型拟合历史难度值;
利用卡尔曼滤波进行噪声修正,以预测出所述学校试卷难度值。
进一步地,所述装置还包括:
设计模块,用于对离线试卷做特征工程设计,并将题目在试卷中的相对位置作为label值训练CART树模型;
调整模块,用于基于试卷题目编排逻辑对CART树模型进行调整,以得到所述试卷题目排序规律。
本发明还提出一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。
本发明还提出一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方法的步骤。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实施例了解到。
附图说明
本发明实施例的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本发明第一实施例的试卷组卷方法的流程图;
图2是获取班级能力值的流程图;
图3是获取试卷题目排序规律的流程图;
图4是根据本发明第二实施例的试卷组卷装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,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,都属于本发明保护的范围。
请参阅图1,本发明第一实施例提出的试卷组卷方法,包括步骤S101~S106。
S101,接收组卷输入数据,所述组卷输入数据至少包括考点范围信息和考试班级信息。
其中,用户可以输入的数据例如具体包括下表中的信息:
输入类别 | 含义举例 |
考试年级 | 高一;高二;高三 |
教材版本 | 人教A版;人教B版;苏教版;北师大版;湘教版;新人教A版;新人教B版;不限 |
文理分科 | 文科;理科;文理不分科 |
考试班级 | 班级1;班级2;班级3等;全校班级 |
考试范围 | 教师选定的考点范围 |
考试类型 | 周考、单元考、月考、联考、期中、期末、模拟考试、冲刺考 |
对于某一次组卷,用户可以从上表中选择必要的数据作为组卷输入数据,例如,组卷输入数据包括考试年级为高二、教材版本为人教B版、文理分科理科、考试班级为全校班级、考试范围为考点1-10、考试类型为期末,其中,考点1-10和全校班级分别为考点范围信息和考试班级信息,其它信息则可以作为非必要信息。
S102,根据所述考试班级信息获取对应的班级能力值。
其中,请参阅图2,所述班级能力值具体通过步骤S1021~S1023获取:
S1021,获取学生的考试数据;
其中,具体实施时,首先获取各个学生的大量的考试数据。
S1022,利用学生的考试数据,并根据多维项目反应理论模型计算学生能力值;
其中,具体的,先利用Pyspark处理学生的考试数据,将学生的考生数据处理成为学生-每题得分的二维表,Pyspark是专为大规模数据处理而设计、基于内存计算的框架,通过Pyspark对大量的考试数据处理、数据更新等操作,能够确保组卷的时效性和准确性。
然后将所述二维表输入至多维项目反应理论模型(MIRT模型)中以计算学生能力值,学生能力值反映了学生的学习能力水平,本发明中,利用多维项目反应理论,以学生考试数据作为能力测试载体,从而评估学生能力值。考试数据能够最客观最权威衡量学生在学科知识掌握情况方面的综合能力值,具体实施时,可再结合多次考试多地区等因素,将偶然性影响降低,使测算出来的能力值更具有效性和无偏性;
最后根据所述学生能力值,利用k-means聚类算法,对学习进修能力分级。例如将学生聚为好-中-差三类。K-means聚类算法是无监督分类算法,能力分级是为了和难度等级保持尺度在同一空间,避免尺度空间不一致而导致计算误差。
S1023,根据所述学生能力值和所述考试班级信息计算出所述班级能力值。
其中,由于班级是由学生组成的,因此,根据每个学生的学生能力值以及考试班级信息对应的班级,就能够计算出相应班级的班级能力值,具体可以通过加权平均求出班级能力值,班级能力值反映了整个班级的学习能力水平。
S103,在题库中召回与所述考点范围信息对应、且与所述班级能力值匹配的候选题目集合。
其中,具体实施时,可以根据题目使用频率、题目新旧程度、题目被使用次数、题目难度标签等多特征维度,使用faiss框架,在题库中召回与考点范围信息对应、且与班级能力值匹配的候选题目集合,候选题目集合中的题目能够与考点范围信息对应,且能够与班级能力值匹配。
此外,需要说明的是,若步骤S101中,组卷输入数据中的考试班级信息对应的班级有多个,例如高二全年级6个班级,此时存在6个班级能力值,具体实施时,可以取6个班级能力值的平均值作为题目召回的标准,这样召回的候选题目集合能够更好的匹配这6个班级的学习能力水平。
S104,根据试卷题目排序规律从所述候选题目集合中生成预设数量的候选试卷。
其中,试卷题目排序规律反映了某个题目在1份试卷中排序的情况,例如某些题目只能作为简单的小题,应当放在试卷的前面,某些题目要作为难度较高的大题,应当放在试卷的后面。
请参阅图3,所述试卷题目排序规律具体通过步骤S1041~S1042获取:
S1041,对离线试卷做特征工程设计,并将题目在试卷中的相对位置作为label值训练CART树模型;
其中,CART树即为分类回归树。本方法中为分类任务,分类值为1-23,分类指标为GINI系数。
S1042,基于试卷题目编排逻辑对CART树模型进行调整,以得到所述试卷题目排序规律。
其中,本方法将CART树木做可视化输出,最终结果在输出目标试卷的同时,也会输出组卷可解释性依据,同时可允许老师在树图上做动态修正,然后实时做试卷调整。
此外,具体实施时,可以根据遗传算法和试卷结构逻辑约束,从所述候选题目集合中生成预设数量的候选试卷,例如生成三套候选试卷供老师选择。
此外,作为一个具体示例,由于不同学校的出题风格不同,例如,某学校出的题通常难度偏大,为了使试卷的难度更贴合某个学校的出题风格,所述组卷输入数据还包括学校信息,所述方法还包括:
获取与所述学校信息对应的离线试卷,该离线试卷是相应学校之前已经出的大量的试卷;
根据所述离线试卷,利用ridge回归模型和卡尔曼滤波预测学校试卷难度值;
在题库中召回与所述考点范围信息对应、且与所述班级能力值和所述学校试卷难度值匹配的候选题目集合。
其中,根据所述离线试卷,利用ridge回归模型和卡尔曼滤波预测学校试卷难度值的步骤具体包括:
提取所述离线试卷的特征值,所述特征值至少包括考试时间、考试类型、试卷内各题目的难度值,并利用ridge回归模型拟合历史难度值,该步骤重难点在于特征工程建设,通过深度特征挖掘,更好拟合试卷难度值。本方法采用缺失值处理、异常值截断,特征交叉、特征值平滑,数据归一化等各种特征处理方法,设计有效特征上百种。
利用卡尔曼滤波进行噪声修正,以预测出所述学校试卷难度值,卡尔曼滤波能很好的对数据降噪,从而更好的追踪和预测数据动向。
根据上述方案,实现了能力维度、考点分布维度、题目位置维度等多维度融合作为组卷指标,在题库中召回候选题目集合时,除了能与考点范围信息对应、与班级能力值匹配外,还能够匹配学校试卷难度值,使得最终组成的试卷更能满足实际需求。
综上,根据上述的试卷组卷方法,组卷输入数据至少包括考点范围信息和考试班级信息,先根据考试班级信息获取对应的班级能力值,然后在题库中召回与考点范围信息对应、且与班级能力值匹配的候选题目集合,使得试卷的考点分布均匀、难度合理,最终根据试卷题目排序规律从候选题目集合中生成预设数量的候选试卷,又保证了试卷题目的编排合理,智能化程度更高;对教师而言,只需要设置考察知识点范围和考试班级,便可自动生成优质试卷,节省出题时间;对学生而言,能够为学生生成符合学生能力成长的试卷,更好的帮助学生提高学习成绩。
请参阅图4,基于同一发明构思,本发明第二实施例提出的试卷组卷装置,所述装置包括:
接收模块,用于接收组卷输入数据,所述组卷输入数据至少包括考点范围信息和考试班级信息;
第一获取模块,用于根据所述考试班级信息获取对应的班级能力值;
召回模块,用于在题库中召回与所述考点范围信息对应、且与所述班级能力值匹配的候选题目集合;
生成模块,用于根据试卷题目排序规律从所述候选题目集合中生成预设数量的候选试卷。
本实施例中,所述装置还包括:
第二获取模块,用于获取学生的考试数据;
第一计算模块,用于利用学生的考试数据,并根据多维项目反应理论模型计算学生能力值;
第二计算模块,用于根据所述学生能力值和所述考试班级信息计算出所述班级能力值。
本实施例中,所述第一计算模块具体用于:
利用Pyspark处理学生的考试数据,将学生的考生数据处理成为学生-每题得分的二维表;
将所述二维表输入至多维项目反应理论模型中以计算学生能力值;
根据所述学生能力值,利用k-means聚类算法,对学习进修能力分级。
本实施例中,所述组卷输入数据还包括学校信息,所述装置还包括:
第三获取模块,用于获取与所述学校信息对应的离线试卷;
预测模块,用于根据所述离线试卷,利用ridge回归模型和卡尔曼滤波预测学校试卷难度值;
所述召回模块具体用于在题库中召回与所述考点范围信息对应、且与所述班级能力值和所述学校试卷难度值匹配的候选题目集合。
本实施例中,根据所述预测模块具体用于:
提取所述离线试卷的特征值,所述特征值至少包括考试时间、考试类型、试卷内各题目的难度值,并利用ridge回归模型拟合历史难度值;
利用卡尔曼滤波进行噪声修正,以预测出所述学校试卷难度值。
本实施例中,所述装置还包括:
设计模块,用于对离线试卷做特征工程设计,并将题目在试卷中的相对位置作为label值训练CART树模型;
调整模块,用于基于试卷题目编排逻辑对CART树模型进行调整,以得到所述试卷题目排序规律。
根据上述的试卷组卷装置,组卷输入数据至少包括考点范围信息和考试班级信息,先根据考试班级信息获取对应的班级能力值,然后在题库中召回与考点范围信息对应、且与班级能力值匹配的候选题目集合,使得试卷的考点分布均匀、难度合理,最终根据试卷题目排序规律从候选题目集合中生成预设数量的候选试卷,又保证了试卷题目的编排合理,智能化程度更高;对教师而言,只需要设置考察知识点范围和考试班级,便可自动生成优质试卷,节省出题时间;对学生而言,能够为学生生成符合学生能力成长的试卷,更好的帮助学生提高学习成绩。
此外,本发明的实施例还提出一种存储介质,具体是可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一实施例中所述方法的步骤。
此外,本发明的实施例还提出一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第一实施例中所述方法的步骤。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种试卷组卷方法,其特征在于,所述方法包括:
接收组卷输入数据,所述组卷输入数据至少包括考点范围信息和考试班级信息;
根据所述考试班级信息获取对应的班级能力值;
在题库中召回与所述考点范围信息对应、且与所述班级能力值匹配的候选题目集合;
根据试卷题目排序规律从所述候选题目集合中生成预设数量的候选试卷。
2.根据权利要求1所述的试卷组卷方法,其特征在于,所述方法还包括:
获取学生的考试数据;
利用学生的考试数据,并根据多维项目反应理论模型计算学生能力值;
根据所述学生能力值和所述考试班级信息计算出所述班级能力值。
3.根据权利要求2所述的试卷组卷方法,其特征在于,利用学生的考试数据,并根据多维项目反应理论模型计算学生能力值的步骤具体包括:
利用Pyspark处理学生的考试数据,将学生的考生数据处理成为学生-每题得分的二维表;
将所述二维表输入至多维项目反应理论模型中以计算学生能力值;
根据所述学生能力值,利用k-means聚类算法,对学习进修能力分级。
4.根据权利要求1所述的试卷组卷方法,其特征在于,所述组卷输入数据还包括学校信息,所述方法还包括:
获取与所述学校信息对应的离线试卷;
根据所述离线试卷,利用ridge回归模型和卡尔曼滤波预测学校试卷难度值;
在题库中召回与所述考点范围信息对应、且与所述班级能力值和所述学校试卷难度值匹配的候选题目集合。
5.根据权利要求4所述的试卷组卷方法,其特征在于,根据所述离线试卷,利用ridge回归模型和卡尔曼滤波预测学校试卷难度值的步骤具体包括:
提取所述离线试卷的特征值,所述特征值至少包括考试时间、考试类型、试卷内各题目的难度值,并利用ridge回归模型拟合历史难度值;
利用卡尔曼滤波进行噪声修正,以预测出所述学校试卷难度值。
6.根据权利要求4所述的试卷组卷方法,其特征在于,所述方法还包括:
对离线试卷做特征工程设计,并将题目在试卷中的相对位置作为label值训练CART树模型;
基于试卷题目编排逻辑对CART树模型进行调整,以得到所述试卷题目排序规律。
7.一种试卷组卷装置,其特征在于,所述装置包括:
接收模块,用于接收组卷输入数据,所述组卷输入数据至少包括考点范围信息和考试班级信息;
第一获取模块,用于根据所述考试班级信息获取对应的班级能力值;
召回模块,用于在题库中召回与所述考点范围信息对应、且与所述班级能力值匹配的候选题目集合;
生成模块,用于根据试卷题目排序规律从所述候选题目集合中生成预设数量的候选试卷。
8.根据权利要求7所述的试卷组卷装置,其特征在于,所述装置还包括:
第二获取模块,用于获取学生的考试数据;
第一计算模块,用于利用学生的考试数据,并根据多维项目反应理论模型计算学生能力值;
第二计算模块,用于根据所述学生能力值和所述考试班级信息计算出所述班级能力值。
9.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6任意一项所述的方法。
10.一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010775094.5A CN111737450B (zh) | 2020-08-05 | 2020-08-05 | 试卷组卷方法、装置、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010775094.5A CN111737450B (zh) | 2020-08-05 | 2020-08-05 | 试卷组卷方法、装置、存储介质及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111737450A true CN111737450A (zh) | 2020-10-02 |
CN111737450B CN111737450B (zh) | 2021-01-01 |
Family
ID=72657135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010775094.5A Active CN111737450B (zh) | 2020-08-05 | 2020-08-05 | 试卷组卷方法、装置、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111737450B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560849A (zh) * | 2021-01-24 | 2021-03-26 | 中天恒星(上海)科技有限公司 | 基于神经网络算法的文理分割方法及系统 |
CN112699283A (zh) * | 2020-12-28 | 2021-04-23 | 科大讯飞股份有限公司 | 试卷生成方法及装置 |
CN112732908A (zh) * | 2020-12-28 | 2021-04-30 | 科大讯飞股份有限公司 | 试题新颖度评估方法、装置、电子设备和存储介质 |
CN112749881A (zh) * | 2020-12-25 | 2021-05-04 | 科大讯飞股份有限公司 | 学校间的学业水平比较方法、装置及电子设备 |
CN113313168A (zh) * | 2021-05-28 | 2021-08-27 | 上海大学 | 无人监考的智能防作弊自助考试系统 |
CN113378044A (zh) * | 2021-06-04 | 2021-09-10 | 苏州众言网络科技股份有限公司 | 题目匹配方法及平台 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5059127A (en) * | 1989-10-26 | 1991-10-22 | Educational Testing Service | Computerized mastery testing system, a computer administered variable length sequential testing system for making pass/fail decisions |
CN104835087A (zh) * | 2015-04-30 | 2015-08-12 | 泸州市金点教育科技有限公司 | 教育测试系统的数据处理方法及装置 |
CN107067849A (zh) * | 2017-04-21 | 2017-08-18 | 杭州博世数据网络有限公司 | 基于云教学平台的家长端系统 |
CN107203583A (zh) * | 2017-03-27 | 2017-09-26 | 杭州博世数据网络有限公司 | 一种基于大数据分析的智能组题方法 |
CN110163778A (zh) * | 2019-04-18 | 2019-08-23 | 北京嗨学网教育科技股份有限公司 | 考点能力值确定方法及装置、存储介质及电子装置 |
CN111090809A (zh) * | 2019-12-20 | 2020-05-01 | 广州摩翼信息科技有限公司 | 题目推荐方法、装置、计算机设备和存储介质 |
-
2020
- 2020-08-05 CN CN202010775094.5A patent/CN111737450B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5059127A (en) * | 1989-10-26 | 1991-10-22 | Educational Testing Service | Computerized mastery testing system, a computer administered variable length sequential testing system for making pass/fail decisions |
CN104835087A (zh) * | 2015-04-30 | 2015-08-12 | 泸州市金点教育科技有限公司 | 教育测试系统的数据处理方法及装置 |
CN107203583A (zh) * | 2017-03-27 | 2017-09-26 | 杭州博世数据网络有限公司 | 一种基于大数据分析的智能组题方法 |
CN107067849A (zh) * | 2017-04-21 | 2017-08-18 | 杭州博世数据网络有限公司 | 基于云教学平台的家长端系统 |
CN110163778A (zh) * | 2019-04-18 | 2019-08-23 | 北京嗨学网教育科技股份有限公司 | 考点能力值确定方法及装置、存储介质及电子装置 |
CN111090809A (zh) * | 2019-12-20 | 2020-05-01 | 广州摩翼信息科技有限公司 | 题目推荐方法、装置、计算机设备和存储介质 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112749881A (zh) * | 2020-12-25 | 2021-05-04 | 科大讯飞股份有限公司 | 学校间的学业水平比较方法、装置及电子设备 |
CN112749881B (zh) * | 2020-12-25 | 2023-10-27 | 科大讯飞股份有限公司 | 学校间的学业水平比较方法、装置及电子设备 |
CN112699283A (zh) * | 2020-12-28 | 2021-04-23 | 科大讯飞股份有限公司 | 试卷生成方法及装置 |
CN112732908A (zh) * | 2020-12-28 | 2021-04-30 | 科大讯飞股份有限公司 | 试题新颖度评估方法、装置、电子设备和存储介质 |
CN112699283B (zh) * | 2020-12-28 | 2023-12-01 | 科大讯飞股份有限公司 | 试卷生成方法及装置 |
CN112732908B (zh) * | 2020-12-28 | 2023-12-01 | 科大讯飞股份有限公司 | 试题新颖度评估方法、装置、电子设备和存储介质 |
CN112560849A (zh) * | 2021-01-24 | 2021-03-26 | 中天恒星(上海)科技有限公司 | 基于神经网络算法的文理分割方法及系统 |
CN113313168A (zh) * | 2021-05-28 | 2021-08-27 | 上海大学 | 无人监考的智能防作弊自助考试系统 |
CN113378044A (zh) * | 2021-06-04 | 2021-09-10 | 苏州众言网络科技股份有限公司 | 题目匹配方法及平台 |
Also Published As
Publication number | Publication date |
---|---|
CN111737450B (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111737450B (zh) | 试卷组卷方法、装置、存储介质及计算机设备 | |
CN111027294B (zh) | 表格汇总的方法、装置及系统 | |
Compton et al. | The use of simulated experts in evaluating knowledge acquisition | |
CN113656687B (zh) | 基于教研数据的教师画像构建方法 | |
Krugel et al. | Automated measurement of competencies and generation of feedback in object-oriented programming courses | |
Ganeshan et al. | An intelligent student advising system using collaborative filtering | |
Daulay | Lecturer performance decision support system using the TOPSIS method based on web | |
Santos et al. | A taxonomy of exercises to support individual learning paths in initial programming learning | |
Shotsberger et al. | On the elusive nature of measuring teacher change: An examination of the Stages of Concern questionnaire | |
Vagale et al. | Application of the Recommended Learning Path in the Personalized Adaptive E-learning System. | |
Gómez-Chacón et al. | Engineering students in Spain and Germany–varying and uniform learning strategies | |
Tam et al. | Rough set theory for distilling construction safety measures | |
Yet et al. | Estimating criteria weight distributions in multiple criteria decision making: a Bayesian approach | |
KR101895963B1 (ko) | 신규 사용자를 분석하는 방법 | |
Goker et al. | Improving an early warning system to prediction of student examination achievement | |
CN115713441A (zh) | 基于AHP-Fuzzy算法和神经网络的教学质量评价方法与系统 | |
Binh et al. | Student ability estimation based on IRT | |
KOYUNCU et al. | Comparison of data mining classification algorithms on educational data under different conditions | |
Jeganathan et al. | Predicting Academic Performance of Immigrant Students Using XGBoost Regressor | |
Friedler et al. | Enabling teachers to explore grade patterns to identify individual needs and promote fairer student assessment | |
Bose et al. | Comparison of magnitude-sensitive sequential sampling models in a simulation-based study | |
Orozova et al. | An application of analytical data research in e-learning system | |
Nurjanah et al. | Homogeneous group formation in collaborative learning using fuzzy C-means | |
Sterbini et al. | Peer-assessment and grading of open answers in a web-based e-learning setting | |
Schiltz et al. | Using machine learning to model interaction effects in education: A graphical approach |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 330000 Building 1, maiyuan Road, Nanchang Economic and Technological Development Zone, Jiangxi Province Patentee after: Jiangxi wind vane Intelligent Technology Co.,Ltd. Address before: 330000 Building 1, maiyuan Road, Nanchang Economic and Technological Development Zone, Jiangxi Province Patentee before: JIANGXI VANEDUCATION TECHNOLOGY Inc. |
|
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Xie Degang Inventor after: Li Qiaoyan Inventor before: Li Qiaoyan |