CN112015861A - 基于用户历史行为分析的智能试卷算法 - Google Patents
基于用户历史行为分析的智能试卷算法 Download PDFInfo
- Publication number
- CN112015861A CN112015861A CN202010838743.1A CN202010838743A CN112015861A CN 112015861 A CN112015861 A CN 112015861A CN 202010838743 A CN202010838743 A CN 202010838743A CN 112015861 A CN112015861 A CN 112015861A
- Authority
- CN
- China
- Prior art keywords
- question data
- user
- examination
- data
- intelligent
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 38
- 238000012360 testing method Methods 0.000 title claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 25
- 230000006399 behavior Effects 0.000 claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000008859 change Effects 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 2
- 238000004883 computer application Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
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
- G06F16/3331—Query processing
-
- 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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于用户历史行为分析的智能试卷算法,包括以下步骤:1)、获取所需题目数据;2)、将所需题目数据和历史考试习题数据输入到数据仓库中进行智能,得到智能分析结果;3)、对于智能分析结果利用卷积神经网络模型进行处理,得到考题习题数据;4)、根据所需题目数据,从历史考试习题数据中选择部分题目,生成考试习题数据。在步骤1中:所需题目数据是人为输入,所需题目数据具体包括分值和题目类别。本发明基于用户历史行为分析的智能试卷算法,可以通过学习过程从历史考试习题数据中选取部分题目,生成考题习题数据,作为试卷的题目。
Description
技术领域
本发明涉及教学及信息处理技术领域,具体涉及一种基于用户历史行为分析的智能试卷算法。
背景技术
随着计算机应用技术和网络技术的不断发展,计算机考试系统已经成为广为使用的一种考试系统,并逐渐取代传统的考试模式。计算机考试系统具有随机组卷、考试时间控制规范、系统自动评分、有效防止舞弊的优点,由此使得考务工作自动化,也保证了出卷、考试和考生管理各阶段的正常和有序,使考试更趋于客观、合理和公证。
与传统考试模式一样,在计算机考试系统的应用中,对于测试者所完成的试卷进行分析也是在考试完成后所需要进行的,由此来获取测试者在考试过程中的整体答题情况以及对知识点的掌控情况。但是现有技术中对于试卷分析通常只包括:本次考试中整份试卷各个分数段的测试者人数、相对频率、最高分、最低分、平均分以及及格率。可见,该试卷分析仅仅使考察方获取了对一次考试中测试者分数分布情况的概况,而对于试卷的试题合理性分布以及试题难度的选定并没有给出任何有指导意义的或者提示性的建议。
因此,需要对现有技术进行改进。
发明内容
本发明要解决的技术问题是提供一种高效的基于用户历史行为分析的智能试卷算法。
为解决上述技术问题,本发明提供一种基于用户历史行为分析的智能试卷算法,包括以下步骤:
1)、获取所需题目数据;
2)、将所需题目数据和历史考试习题数据输入到数据仓库中进行智能,得到智能分析结果;
3)、对于智能分析结果利用卷积神经网络模型进行处理,得到考题习题数据;
4)、根据所需题目数据,从历史考试习题数据中选择部分题目,生成考试习题数据。
作为对本发明基于用户历史行为分析的智能试卷算法的改进:
在步骤1中:
所需题目数据是人为输入,所需题目数据具体包括分值和题目类别。
作为对本发明基于用户历史行为分析的智能试卷算法的改进:
在步骤2中:
智能分析包括对题目特征、难易度、全局错误率和单独错误率进行分析,以此作为卷积神经网络的输入特征学习深度表示特征。
作为对本发明基于用户历史行为分析的智能试卷算法的改进:
在步骤2中:
题目特征包括区分度、猜测参数、分值等,同一知识点下的题目可以具有不同的难度系数,能力估计值较低的用户作答难度系数较高的问题的正确率相对较低;
难易度是题目复杂程度,分为1-5共五级;项目反应理论认为用户成功解答某一问题的可能性与用户特征有一定的关系;在用户能力估计值一定的情况下,难易度提高则答题正确率降低;区分度是指在能力估计值的改变对正确率的变化的影响,如果区分度高,则能力估计值的微小改变可能造成答题正确率的较大变化;猜测参数是指当用户的能力估计值极低的情况下仍然能够正确解答问题的概率;可以结合项目反应理论,基于该些数据确定用于向用户推荐的题目;
全局错误率为学生做一整个试卷中的该考题的错误率;
单独错误率为学生做单独一道该考题的错误率。
作为对本发明基于用户历史行为分析的智能试卷算法的改进:
在步骤3中:
卷积神经网络的输出节点通过多个逻辑斯特回归拟合降维得到二值码;
通过所述卷积神经网络输出的特征与所述原始特征降维后特征的拟合残差进行误差反向传播训练得到更新后的卷积神经网络模型;
利用所述更新后的卷积神经网络模型对考试考题数据进行深度语义特征映射,然后利用K均值聚类算法得到考题习题数据。
作为对本发明基于用户历史行为分析的智能试卷算法的改进:
在步骤4中:
依照题目数据的题目类别,选择历史考试习题数据中题目的难易度等级;接着对选择的历史考试习题数据中题目的各个难易度等级分别进行分值计算,再求平均值,平均值即需要等于所需题目数据的分值;
分值计算的公式为:
A=B*C+B*D
A为该难易度等级的分值,B为历史考试习题数据中题目的难易度等级,C为全局错误率,D为单独错误率。
本发明基于用户历史行为分析的智能试卷算法的技术优势为:
本发明基于用户历史行为分析的智能试卷算法,可以通过学习过程从历史考试习题数据中选取部分题目,生成考题习题数据,作为试卷的题目。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细说明。
图1是本发明基于用户历史行为分析的智能试卷算法的流程示意图。
具体实施方式
下面结合具体实施例对本发明进行进一步描述,但本发明的保护范围并不仅限于此。
实施例1、基于用户历史行为分析的智能试卷算法,如图所示,包括以下步骤:
1)、获取所需题目数据;
所需题目数据是人为输入,所需题目数据具体包括分值、题目类别等等;
2)、将所需题目数据和历史考试习题数据输入到数据仓库中进行智能,得到智能分析结果;
智能分析包括对题目特征、难易度、全局错误率和单独错误率等进行分析,以此作为卷积神经网络的输入特征学习深度表示特征;
题目特征包括区分度、猜测参数、分值等,同一知识点下的题目可以具有不同的难度系数,例如能力估计值较低的用户作答难度系数较高的问题的正确率相对较低。
难易度是题目复杂程度,分为1-5共五级;项目反应理论认为用户成功解答某一问题的可能性与用户特征有一定的关系。在用户能力估计值一定的情况下,难易度提高则答题正确率降低。区分度是指在能力估计值的改变对正确率的变化的影响,如果区分度高,则能力估计值的微小改变可能造成答题正确率的较大变化。猜测参数是指当用户的能力估计值极低的情况下仍然能够正确解答问题的概率。可以结合项目反应理论,基于该些数据确定用于向用户推荐的题目。
全局错误率为学生做一整个试卷中的该考题的错误率;
单独错误率为学生做单独一道该考题的错误率。
3)、对于智能分析结果利用卷积神经网络模型进行处理,得到考题习题数据。
卷积神经网络的输出节点通过多个逻辑斯特回归拟合降维得到二值码;
通过所述卷积神经网络输出的特征与所述原始特征降维后特征的拟合残差进行误差反向传播训练得到更新后的卷积神经网络模型;
利用所述更新后的卷积神经网络模型对考试考题数据进行深度语义特征映射,然后利用K均值聚类算法得到考题习题数据。
4)、根据所需题目数据,从历史考试习题数据中选择部分题目,生成考试习题数据。
依照题目数据的题目类别,选择历史考试习题数据中题目的难易度等级;例如题目数据的题目类别包含了复杂程度3-5,则历史考试习题数据中选取相对应的难易度3-5级。
接着对选择的历史考试习题数据中题目的各个难易度等级分别进行分值计算,再求平均值,平均值即需要等于所需题目数据的分值。
分值计算的公式为:
A=B*C+B*D
A为该难易度等级的分值,B为历史考试习题数据中题目的难易度等级,C为全局错误率,D为单独错误率。
例如:题目数据的题目类别为复杂程度3-5,分值为6;需要历史考试习题数据中题目单难易度为3-5,平均值为6;
可以选取的历史考试习题数据中题目全局错误率为80%,历史考试习题数据中题目单独错误率为70%;
单个难易度等级分别进行分值计算:
5*80%+5*70%=7.5
4*80%+4*70%=6
3*80%+3*70%=4.5
平均值计算:
(7.5+6+4.5)/3=6
平均值为6,与题目数据的分值6相同,满足要求。
最后,还需要注意的是,以上列举的仅是本发明的若干个具体实施例。显然,本发明不限于以上实施例,还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形,均应认为是本发明的保护范围。
Claims (6)
1.基于用户历史行为分析的智能试卷算法,其特征在于:包括以下步骤:
1)、获取所需题目数据;
2)、将所需题目数据和历史考试习题数据输入到数据仓库中进行智能分析,得到智能分析结果;
3)、对于智能分析结果利用卷积神经网络模型进行处理,得到考题习题数据;
4)、根据所需题目数据,从历史考试习题数据中选择部分题目,生成考试习题数据。
2.根据权利要求1所述的基于用户历史行为分析的智能试卷算法,其特征在于:
在步骤1中:
所需题目数据是人为输入,所需题目数据具体包括分值和题目类别。
3.根据权利要求2所述的基于用户历史行为分析的智能试卷算法,其特征在于:
在步骤2中:
智能分析包括对题目特征、难易度、全局错误率和单独错误率进行分析,以此作为卷积神经网络的输入特征学习深度表示特征。
4.根据权利要求3所述的基于用户历史行为分析的智能试卷算法,其特征在于:
在步骤2中:
题目特征包括区分度、猜测参数、分值等,同一知识点下的题目可以具有不同的难度系数,能力估计值较低的用户作答难度系数较高的问题的正确率相对较低;
难易度是题目复杂程度,分为1-5共五级;项目反应理论认为用户成功解答某一问题的可能性与用户特征有一定的关系;在用户能力估计值一定的情况下,难易度提高则答题正确率降低;区分度是指在能力估计值的改变对正确率的变化的影响,如果区分度高,则能力估计值的微小改变可能造成答题正确率的较大变化;猜测参数是指当用户的能力估计值极低的情况下仍然能够正确解答问题的概率;可以结合项目反应理论,基于该些数据确定用于向用户推荐的题目;
全局错误率为学生做一整个试卷中的该考题的错误率;
单独错误率为学生做单独一道该考题的错误率。
5.根据权利要求4所述的基于用户历史行为分析的智能试卷算法,其特征在于:
在步骤3中:
卷积神经网络的输出节点通过多个逻辑斯特回归拟合降维得到二值码;
通过所述卷积神经网络输出的特征与所述原始特征降维后特征的拟合残差进行误差反向传播训练得到更新后的卷积神经网络模型;
利用所述更新后的卷积神经网络模型对考试考题数据进行深度语义特征映射,然后利用K均值聚类算法得到考题习题数据。
6.根据权利要求5所述的基于用户历史行为分析的智能试卷算法,其特征在于:
在步骤4中:
依照题目数据的题目类别,选择历史考试习题数据中题目的难易度等级;接着对选择的历史考试习题数据中题目的各个难易度等级分别进行分值计算,再求平均值,平均值即需要等于所需题目数据的分值;
分值计算的公式为:
A=B*C+B*D
A为该难易度等级的分值,B为历史考试习题数据中题目的难易度等级,C为全局错误率,D为单独错误率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010838743.1A CN112015861A (zh) | 2020-08-19 | 2020-08-19 | 基于用户历史行为分析的智能试卷算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010838743.1A CN112015861A (zh) | 2020-08-19 | 2020-08-19 | 基于用户历史行为分析的智能试卷算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112015861A true CN112015861A (zh) | 2020-12-01 |
Family
ID=73505167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010838743.1A Pending CN112015861A (zh) | 2020-08-19 | 2020-08-19 | 基于用户历史行为分析的智能试卷算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112015861A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344204A (zh) * | 2021-06-10 | 2021-09-03 | 合肥工业大学 | 多重逻辑问题的认知数据处理方法及装置 |
CN114154963A (zh) * | 2021-12-08 | 2022-03-08 | 中国建设银行股份有限公司 | 数据处理方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111369063A (zh) * | 2020-03-06 | 2020-07-03 | 北京易真学思教育科技有限公司 | 组卷模型训练方法、组卷方法及相关装置 |
-
2020
- 2020-08-19 CN CN202010838743.1A patent/CN112015861A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111369063A (zh) * | 2020-03-06 | 2020-07-03 | 北京易真学思教育科技有限公司 | 组卷模型训练方法、组卷方法及相关装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344204A (zh) * | 2021-06-10 | 2021-09-03 | 合肥工业大学 | 多重逻辑问题的认知数据处理方法及装置 |
CN113344204B (zh) * | 2021-06-10 | 2022-11-18 | 合肥工业大学 | 多重逻辑问题的认知数据处理方法及装置 |
CN114154963A (zh) * | 2021-12-08 | 2022-03-08 | 中国建设银行股份有限公司 | 数据处理方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112508334B (zh) | 融合认知特性及试题文本信息的个性化组卷方法及系统 | |
CN107766929B (zh) | 模型分析方法及装置 | |
Sathe et al. | Comparative study of supervised algorithms for prediction of students’ performance | |
CN112257966B (zh) | 模型处理方法、装置、电子设备及存储介质 | |
CN107451230A (zh) | 一种问答方法以及问答系统 | |
CN113851020A (zh) | 一种基于知识图谱的自适应学习平台 | |
CN112015861A (zh) | 基于用户历史行为分析的智能试卷算法 | |
Salim et al. | Time series prediction on college graduation using kNN algorithm | |
CN114201684A (zh) | 一种基于知识图谱的自适应学习资源推荐方法及系统 | |
CN112598405B (zh) | 一种基于大数据的商业项目数据管理方法及系统 | |
CN114416929A (zh) | 实体召回模型的样本生成方法、装置、设备及存储介质 | |
CN112734142A (zh) | 基于深度学习的资源学习路径规划方法及装置 | |
CN111382265B (zh) | 搜索方法、装置、设备和介质 | |
Godinez et al. | A Gaussian-Bernoulli Mixed Naïve Bayes Approach to Predict Students’ Academic Procrastination Tendencies in Online Mathematics Learning | |
CN115167965A (zh) | 交易进度条的处理方法及装置 | |
CN114491050A (zh) | 一种基于认知诊断的学习能力评估方法及系统 | |
Alsuwaiket | Measuring academic performance of students in higher education using data mining techniques | |
CN111353553A (zh) | 清洗错误标注数据的方法、装置、计算机设备及存储介质 | |
CN118335336B (zh) | 基于大数据的学生心理健康评估系统 | |
Sexton et al. | Neural networks refined: using a genetic algorithm to identify predictors of IS student success | |
Boumi | Development of a Multivariate Poisson Hidden Markov Model for Application in Educational Data Mining | |
EP4202804A1 (en) | Information processing program, information processing method, and information processing device | |
CN111881287B (zh) | 一种分类模糊性分析方法及装置 | |
CN116991982B (zh) | 基于人工智能的交互式对话方法、装置、设备及存储介质 | |
JP2002006734A (ja) | コンピュータ適応型検定試験の方法及びシステム |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201201 |