CN113127734B - 一种基于遗传算法的个性化试卷推送方法 - Google Patents

一种基于遗传算法的个性化试卷推送方法 Download PDF

Info

Publication number
CN113127734B
CN113127734B CN202110343603.1A CN202110343603A CN113127734B CN 113127734 B CN113127734 B CN 113127734B CN 202110343603 A CN202110343603 A CN 202110343603A CN 113127734 B CN113127734 B CN 113127734B
Authority
CN
China
Prior art keywords
learner
test paper
learning
time
browsing
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.)
Active
Application number
CN202110343603.1A
Other languages
English (en)
Other versions
CN113127734A (zh
Inventor
王磊
王焱龙
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.)
Jiangsu Leyi Smart Technology Co ltd
Xi'an Huaqi Zhongxin Technology Development Co ltd
Original Assignee
Jiangsu Leyi Smart 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 Jiangsu Leyi Smart Technology Co ltd filed Critical Jiangsu Leyi Smart Technology Co ltd
Priority to CN202110343603.1A priority Critical patent/CN113127734B/zh
Publication of CN113127734A publication Critical patent/CN113127734A/zh
Application granted granted Critical
Publication of CN113127734B publication Critical patent/CN113127734B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/55—Push-based network services

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Educational Administration (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本发明公开了一种基于遗传算法的个性化试卷推送方法，具体按照如下步骤实施：步骤1，对学习者在学习平台学习积极性的量化；步骤2，对学习者在学习平台学习交互度的量化；步骤3，对学习者在学习平台学习投入的量化；步骤4，对学习者在学习平台学习强度的量化；步骤5，试卷评价指标的建立；步骤6，通过试卷的四个评价指标建立组卷目标函数；步骤7，采用遗传算法模型对组卷目标函数进行优化，输出适应度值最高的个体，即就是最适合的试卷，推送给学习者。本发明利用学习者在学习平台的行为数据，并针对学习者在学习过程中涉及到的知识点和对应知识点的学习强度，在试题库中选择试题，组成最适合于该学习者当前的个性化试卷进行推送。

Description

一种基于遗传算法的个性化试卷推送方法
技术领域
本发明属于智慧教育方法技术领域，涉及一种基于遗传算法的个性化试卷推送方法。
背景技术
现有的组卷研究大都采用整体规模的组卷，难以针对学习者的在线学习过程有效利用学习者的个性化信息，生成学习者的个性化试卷，且生成试卷质量不高。
发明内容
本发明的目的是提供一种基于遗传算法的个性化试卷推送方法，利用学习者在学习平台的行为数据，并针对学习者在学习过程中涉及到的知识点和对应知识点的学习强度，在试题库中选择试题，组成最适合于该学习者当前的个性化试卷进行推送。
本发明所采用的技术方案是，一种基于遗传算法的个性化试卷推送方法，具体按照如下步骤实施：
步骤1，对学习者在学习平台学习积极性的量化
通过对学习者在学习平台的行为数据的统计，包括系统登录次数、系统登陆时长、累计在线时长、在线时间间隔、离开平台的时长、离开平台的次数和登录时间离线时间，计算学习者在学习平台上的学习积极性；
步骤2，对学习者在学习平台学习交互度的量化
通过对学习者在学习平台中的论坛参与数据的计算，包括论坛浏览次数浏览时长、帖子的浏览量和点赞量与评论量，学习者的发帖量与被点赞和被评论量的计算，计算计算学习者在学习平台学习交互度；
步骤3，对学习者在学习平台学习投入的量化；
步骤4，对学习者在学习平台学习强度的量化；
根据步骤1-3中对学习者学习积极性、学习交互度和学习投入的量化数据，对学习者的知识点学习强度进行量化；
步骤5，试卷评价指标的建立
分别从试卷完成度、试卷知识点覆盖度、试卷信度和试卷效度四个方面建立试卷评价指标；
步骤6，通过试卷的四个评价指标建立组卷目标函数；
步骤7，采用遗传算法模型对组卷目标函数进行优化，输出适应度值最高的个体，即就是最适合的试卷，推送给学习者。
本发明的特征还在于，
步骤1具体为：
步骤1.1，在自适应学习平台的学习者行为数据库中取到学习者在学习阶段每次登录系统与登出系统的信息，包括登录系统的时间和登出系统的时间，通过公式(1)分别计算学习者每次系统登录停留的时长：
tdi＝tend(i)-tstart(i) (1)
其中，tdi为学习者第i次登录系统停留的时长，tend(i)为学习者第i次登出系统的时间，tstart(i)为学习者第i次登录系统的时间，单位为分钟；
步骤1.2，通过对步骤1.1中学习者每次登录系统停留时长的求和计算，通过公式(2)计算出学习者在学习系统的累计在线时长：
Figure GDA0003105602490000031
其中，T为学习者在系统累计在线时长，tdi为学习者第i次登录系统停留的时长，系统累计登陆次数为m，单位为分钟；
步骤1.3，在自适应学习平台的学习者行为数据库中取到学习者在学习阶段每次登录系统与登出系统的信息，其中包括登录系统的时间和登出系统的时间，通过公式(3)计算学习者每次系统登录时间间隔：
tgap(i)＝tstart(i)-tend(i-1)(i＞1) (3)
其中，tstart(i)为学习者第i次登录系统的时间，tend(i-1)为学习者第i-1次离开系统的时间，tgap(i)为系统登录时间间隔，即就是第i次登录时间和第i-1次退出登录时间的间隔，单位为分钟；
步骤1.4，对步骤1.3中学习者每次系统登录时间间隔进行求和计算，通过公式(4)计算学习者的系统累计登录间隔：
Figure GDA0003105602490000033
其中，Tgap为系统累计登陆间隔，m为系统累计登陆次数，tgap(i)为学习者第i次登录系统的时间间隔，单位为分钟；
步骤1.5，在自适应学习平台的学习者行为数据库中取到学习者在单次登录中离开系统和回到系统的时间，通过公式(5)计算学习者每次登录系统中累计离开系统的时长：
Figure GDA0003105602490000032
其中，pi为第i次登录中累计离开系统的时长，n为第i次登录中离开系统的次数，tback(ij)为第i次登录中第j次回到系统的时间，tleave(ij)为第i次登录中第j次离开系统的时间，单位为分钟；
步骤1.6，利用步骤1.1中对学习者每次系统登录停留的时长的计算和步骤1.5中对学习者每次登录系统中累计离开系统的时长的计算，通过公式(6)计算学习者单次登录中的专注度：
Figure GDA0003105602490000041
其中，qi为学习者第i次登录系统中的专注度，tdi学习者第i次系统登录停留的时长，pi为第i次登录中累计离开系统的时长；
步骤1.7，利用步骤1.5中对学习者每次登录系统中累计离开系统的时长进行求和计算，通过公式(7)计算学习者累计离开系统的时长：
Figure GDA0003105602490000042
其中，P为累计离开系统的时长，m为系统累计登陆次数，pi为学习者第i次登录中累计离开系统的时长，单位为分钟；
步骤1.8，利用步骤1.2中对学习者在学习系统的累计在线时长的计算和步骤1.7中对学习者累计离开系统的时长的计算，通过公式(8)计算学习者的系统累计专注度：
Figure GDA0003105602490000043
其中，R为系统累计专注度，T为学习者在系统累计在线时长，P为累计离开系统的时长；
步骤1.9，利用步骤1.2中对学习者在学习系统的累计在线时长的计算和步骤1.4中对学习者的系统累计登录间隔的计算，通过公式(9)计算学习者活跃度：
Figure GDA0003105602490000051
其中，S为学习者的系统活跃度，T为学习者在系统累计在线时长，Tgap为系统累计登陆间隔；
步骤1.10，利用步骤1.8中对学习者的系统累计专注度和步骤1.9中对学习者活跃度的计算，通过公式(10)计算学习者的学习积极性A：
A＝α1*R+α2*S (10)
其中，α为权重参数
Figure GDA0003105602490000052
α1取值为0.6，α2取值为0.4，R为系统累计专注度，S为学习者活跃度。
步骤2具体为：
步骤2.1，在自适应学习平台的学习者行为数据库中取到学习者在学习阶段中的论坛浏览记录，将论坛浏览集合记为
Figure GDA0003105602490000053
通过公式(11)计算学习者浏览帖子的帖子点赞率：
Figure GDA0003105602490000054
其中，qapprove为帖子点赞量，|Pforum|为帖子浏览量，|Pforum|＝n_browser；
通过公式(12)计算学习者浏览帖子的帖子评论率：
Figure GDA0003105602490000055
其中，rcomment为帖子评论量，|Pforum|为帖子浏览量，|Pforum|＝n_browser；
步骤2.2，在自适应学习平台的学习者行为数据库中取到学习者在学习阶段中的论坛发帖记录，将论坛发帖集合记为
Figure GDA0003105602490000056
论坛发帖量为|Sforum|，|Sforum|＝m_send；
通过公式(13)计算学习者发布帖子收到的点赞量Usend：
Figure GDA0003105602490000061
其中，ui为发布第i个帖子收到的点赞量；
通过公式(14)计算学习者发布帖子收到的评论量Vsend：
Figure GDA0003105602490000062
其中，vi为发布第i个帖子收到的评论量；
利用公式(13)对学习者发帖收到点赞量的计算，通过公式(15)计算学习者发帖的平均被点赞量Cforum：
Figure GDA0003105602490000063
利用公式(14)对学习者发帖收到评论量的计算，通过公式(16)计算学习者发帖的平均被评论量Dforum：
Figure GDA0003105602490000064
步骤2.3：利用步骤2.1和步骤2.2中对学习者论坛发帖量和读帖量，帖子点赞量和帖子评论率以及学习者发帖的平均被点赞量和被评论量的计算，通过公式(17)计算学习者的学习交互度：
B＝0.7*[|Pforum|+(0.7*E+0.3*F)]+0.3*[|Sforum|+(0.8*Cforum+0.2*Dforum)] (17)
其中，Pforum为论坛浏览集合，E为帖子点赞率，F为帖子评论率，Sforum为发帖集合，Cforum是帖子评价被点赞量，Dforum为帖子的评价被评论量。
步骤3具体为：
步骤3.1，在自适应学习平台的学习者行为数据库中取到学习者在学习阶段中的视频学习记录，通过公式(18)计算学习者视频观看的平均完成率
Figure GDA0003105602490000065
Figure GDA0003105602490000071
其中，Ci为单个视频的完成率，Ci＝lvi÷tvi，其中，lvi为单个视频的观看时长，tvi为单个视频的时长，m_video为学习者的视频观看总数；
通过公式(19)计算学习者的视频观看有效率：
Figure GDA0003105602490000072
其中，Tvideo_effect为学习者视频观看有效率，Te为学习者有限观看视频总时长，Ta为学习者观看视频总时长，Flagi＝0if lvi÷tvi＜0.7，Flagi＝1if lvi÷tvi≥0.7,视频观看时间大于该视频时长的70％，则记录该视频为有效视频，定义学习者的有效总观看时长为：
Figure GDA0003105602490000073
为学习者对视频的观看总时长；
通过公式(20)计算学习者观看视频的平均重复率：
Figure GDA0003105602490000074
其中，
Figure GDA0003105602490000075
为学习者观看视频的平均重复率，Di为单个视频重复播放率，Di＝di÷li，m_video为学习者的视频观看总数，di为单个视频的重复观看时长；
通过公式(21)计算学习者的视频投入：
Figure GDA0003105602490000076
其中，
Figure GDA0003105602490000077
为视频观看的平均完成率，
Figure GDA0003105602490000078
为学习者观看视频的平均重复率，Tvideo_effect为学习者视频观看有效率。
在自适应学习平台的学习者行为数据库中取到学习者在学习阶段中的文档学习记录，文档资源类型有课件类型、学案类型和教案类型；
课件浏览次数：d1，重复浏览次数为rep1，rep1≤d1，学案浏览次数：d2，重复浏览次数为rep2，rep2≤d2，教案浏览次数：d3，重复浏览次数为rep3，rep3≤d3，若一个文档资源被重复浏览了多次，记为1次，文档浏览总次数：D＝d1+d2+d3；
课件浏览重复率：
Figure GDA0003105602490000081
学案浏览重复率：
Figure GDA0003105602490000082
教案浏览重复率：
Figure GDA0003105602490000083
利用公式(22)计算学习者的文档浏览重复率：
Figure GDA0003105602490000084
课件浏览资源集合：Od＝{o1,o2,...,oi}，学案浏览资源集合：Pd＝{p1,p2,...,pj}，教案浏览资源集合：Qd＝{q1,q2,,qk}，课件在线浏览时长：
Figure GDA0003105602490000085
其中t1m表示第m个课件的浏览时长，i为课件浏览量，学案在线浏览时长：t2，
Figure GDA0003105602490000086
其中t1m表示第m个学案的浏览时长，j为学案浏览量，教案在线浏览时长：
Figure GDA0003105602490000087
其中t3m表示第m个教案的浏览时长，k为教案浏览量；
通过上述定义，利用公式(23)计算学习者的文档浏览总时长：
Tbrowse＝t1+t2+t3 (23)
利用公式(24)计算学习者的文档在线浏览平均进度：
Figure GDA0003105602490000091
其中，课件在线浏览平均进度：r1，
Figure GDA0003105602490000092
r1m为课件浏览集合中第m个课件的浏览进度，学案在线浏览平均进度：r2，
Figure GDA0003105602490000093
r2m为学案浏览集合中第m个学案的浏览进度；教案在线浏览平均进度：r3，
Figure GDA0003105602490000094
r3m为教案浏览集合中第m个教案的浏览进度；
通过公式(25)计算学习者的文档学习投入：
V＝(β1*Du+β2*R)+T (25)
其中，V为学习者文档学习投入，Du为文档重复浏览率，Rbrowse为文档在线浏览的平均进度，Tbrowse为学习者文档在线浏览的总时长，β为权重参数
Figure GDA0003105602490000095
β1取值为0.6，β2取值为0.4；
通过公式(26)计算学习者的行为投入：
D＝U+V (26)
其中，D为学习者行为投入，U为学习者视频学习投入，V为学习者文档学习投入；
步骤3.2，通过公式(27)计算学习者认知投入：
Figure GDA0003105602490000096
其中，课后作业完成率：
Figure GDA0003105602490000097
s为课后作业完成率，u为提交作业总次数，w为总作业量；课后作业正确率：
Figure GDA0003105602490000098
p为课后作业正确率，v为正确作答作业数，u为提交作业总次数；
Figure GDA0003105602490000101
ν1为0.5，ν2为0.5；
步骤3.3，根据步骤3.1计算出的学习者行为投入和步骤3.2计算出的学习者认知投入，通过公式(28)计算学习者的学习投入：
C＝0.5*D+0.5*Ecognize (28)。
步骤4具体为：
根据步骤1.10中公式(10)对学习者积极性的计算和步骤2.3中公式(17)对学习者学习交互度指标的计算和步骤3.3公式(28)中对学习者学习投入的计算，通过公式(29)计算学习者的学习强度。
Z＝ψ1*A+ψ2*B+ψ3*C (29)
其中，
Figure GDA0003105602490000102
ψ1为0.3，ψ2为0.3，ψ3为0.4，A为学习积极性，B为学习交互度，C为学习投入。
步骤5具体为：
步骤5.1，计算试卷完成度E1：
Figure GDA0003105602490000103
其中，ttest_i为题目i的平均作答时间，Ttest为完成试卷的限定时间；
步骤5.2，计算试卷知识点覆盖率：
Figure GDA0003105602490000104
其中，|K|为学习者在学习过程中涉及到的所有知识点个数，K为学习者在学习过程中涉及到的所有知识点集合，|J|为试卷中考察所有已学知识点的个数，J为试卷中所有考察的已学知识集集合；
步骤5.3，计算试卷信度：
Figure GDA0003105602490000111
其中，k为试卷题目总数，
Figure GDA0003105602490000112
为测试平均总分的方差，
Figure GDA0003105602490000113
为每道试题平均得分的方差；
步骤5.4，计算试卷效度E4：
Figure GDA0003105602490000114
其中，Xstrength为学习者知识点学习强度向量，
Figure GDA0003105602490000115
Ydiff为试卷中对应知识点考察难度，
Figure GDA0003105602490000116
步骤6中的目标函数为：
f(Xtest_i)＝ζ1*E1+ζ2*E2+ζ3*E3+ζ4*E4 (34)
其中，
Figure GDA0003105602490000117
E1、E2、E3、E4分别代表试卷完成度、知识点覆盖度、试卷信度和试卷效度四个约束条件，Xtest_i为试卷向量，
Figure GDA0003105602490000118
步骤7具体为：
步骤7.1，初始化：设置题库题目的个数questionBank；设置组卷题目的个数questionNum；设置组卷初始种群数量popSize，作为初始群体P(0)；设置基因位数geneSize；设置每份试卷的基因位数testPaperGenePlace；设置基因变异的概率mutationRate；设置当前遗传代数currentGeneration＝1；
步骤7.2，个体评价：对当前试卷群体P(i)组成的中每个试卷个体的适应度值进行计算；定义试卷种群中的每个个体试卷向量为
Figure GDA0003105602490000121
其中i的取值范围为[1,questionNum]，分别代表试卷种群中的questionNum个试卷个体，m＝questionNum，代表组成一份试卷的questionNum道题目，设定试卷个体适应度F(xtest_i)等于步骤六中的组卷目标函数值f(Xtest_i)，对P(i)种群中的每个试卷个体进行适应度值的计算；
步骤7.3，选择运算：先计算出步骤7.2中试卷种群中所有试卷个体的适应度之和∑fi，其中，fi为试卷个体i的适应度值，计算出每个试卷个体的相对适应度大小
Figure GDA0003105602490000122
作为试卷个体被遗传到下一代种群中的概率，将概率值小于0.7的试卷个体抛弃，将其余试卷个体选择遗传到下一代；
步骤7.4，交叉运算：在步骤7.3中的试卷群体中两两随机选择试卷个体，将两份试卷的二进制编码串作为配对染色体，在二进制编码串中随机选择配对基因的交叉位置Genset，其中Genset大于等于1小于等于testPaperGenePlace，在该交叉位置相互交换两个配对试卷个体的部分染色体，形成一份新的试卷个体，试卷种群中原有试卷个体数量与新形成试卷个体数量总数为questionNum；
步骤7.5，变异运算：对步骤7.4中的试卷群体中的试卷个体串的某些基因座上的基因值作变动：首先随机选取各个试卷个体基因序列变异的位置，对于每份试卷，都生成[0,1]之间的随机数，若该随机数小于等于基因变异的概率mutationRate，则将变异点的原有基因值取反，作为新的基因序列，若该随机数大于基因变异的概率mutationRate则不进行操作；
步骤7.6，终止条件判断：若currentGeneration＜maxIterNum，则将当前遗传代数currentGeneration+1，继续进行步骤7.2对下一代进行个体评价、选择交叉和变异操作；若currentGeneration＝maxIterNum，则停止迭代，将最终种群中的个体进行适应度计算，将个体适应度从大到小进行排序，输出适应度值最高的试卷个体，将该个体的testPaperGenePlace个基因位的每七位进行二进制到十进制的转化，共生成questionNum个不同的试题编号，根据试题编号在题库中选择questionNum道题目组成试卷，作为个性化试卷进行推送。
本发明的有益效果是：
(1)本发明的方法有效利用了学习者在学习平台的各种行为数据。其中包括系统行为数据、论坛参与行为，视频学习记录和文档学习记录，还有课后作业的完成情况，通过对以上行为的分析，将从学习积极性，学习交互度，学习投入三个角度分别进行考虑，其中学习投入又分为行为投入和认知投入，最后对学习者在知识点的学习强度进行计算。
(2)本发明针对试题库中已有试题进行标注，标注试题考察知识点信息，作为试题推荐的备用，丰富了试题的信息，为个性化组卷提供了基础。
(3)本发明针对个性化组卷建立组卷评价体系，从试卷完成度，知识点覆盖度，试卷信度和试卷效度四个方面进行考虑。对学习者的个性化信息进行有效融合，为个性化组卷提供理论依据。
(4)本发明通过建立组卷目标函数，通过对目标函数的优化处理，从海量试题库中选择出适合的试题组成个性化试卷，满足试卷完成度，知识点覆盖度，试卷信度和试卷效度各项评价体系。
附图说明
图1是本发明一种基于遗传算法的个性化试卷推送方法的流程图；
图2是本发明一种基于遗传算法的个性化试卷推送方法中目标函数优化逻辑图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于遗传算法的个性化试卷推送方法，其流程如图1所示，具体按照如下步骤实施：
步骤1，对学习者在学习平台学习积极性的量化
通过对学习者在学习平台的行为数据的统计，包括系统登录次数、系统登陆时长、累计在线时长、在线时间间隔、离开平台的时长、离开平台的次数和登录时间离线时间，计算学习者在学习平台上的学习积极性；
具体为：
步骤1.1，在自适应学习平台的学习者行为数据库中取到学习者在学习阶段每次登录系统与登出系统的信息，包括登录系统的时间和登出系统的时间，通过公式(1)分别计算学习者每次系统登录停留的时长：
tdi＝tend(i)-tstart(i) (1)
其中，tdi为学习者第i次登录系统停留的时长，tend(i)为学习者第i次登出系统的时间，tstart(i)为学习者第i次登录系统的时间，单位为分钟；
步骤1.2，通过对步骤1.1中学习者每次登录系统停留时长的求和计算，通过公式(2)计算出学习者在学习系统的累计在线时长：
Figure GDA0003105602490000141
其中，T为学习者在系统累计在线时长，tdi为学习者第i次登录系统停留的时长，系统累计登陆次数为m，单位为分钟；
步骤1.3，在自适应学习平台的学习者行为数据库中取到学习者在学习阶段每次登录系统与登出系统的信息，其中包括登录系统的时间和登出系统的时间，通过公式(3)计算学习者每次系统登录时间间隔：
tgap(i)＝tstart(i)-tend(i-1)(i＞1) (3)
其中，tstart(i)为学习者第i次登录系统的时间，tend(i-1)为学习者第i-1次离开系统的时间，tgap(i)为系统登录时间间隔，即就是第i次登录时间和第i-1次退出登录时间的间隔，单位为分钟；
步骤1.4，对步骤1.3中学习者每次系统登录时间间隔进行求和计算，通过公式(4)计算学习者的系统累计登录间隔：
Figure GDA0003105602490000151
其中，Tgap为系统累计登陆间隔，m为系统累计登陆次数，tgap(i)为学习者第i次登录系统的时间间隔，单位为分钟；
步骤1.5，在自适应学习平台的学习者行为数据库中取到学习者在单次登录中离开系统和回到系统的时间，通过公式(5)计算学习者每次登录系统中累计离开系统的时长：
Figure GDA0003105602490000152
其中，pi为第i次登录中累计离开系统的时长，n为第i次登录中离开系统的次数，tback(ij)为第i次登录中第j次回到系统的时间，tleave(ij)为第i次登录中第j次离开系统的时间，单位为分钟；
步骤1.6，利用步骤1.1中对学习者每次系统登录停留的时长的计算和步骤1.5中对学习者每次登录系统中累计离开系统的时长的计算，通过公式(6)计算学习者单次登录中的专注度：
Figure GDA0003105602490000161
其中，qi为学习者第i次登录系统中的专注度，tdi学习者第i次系统登录停留的时长，pi为第i次登录中累计离开系统的时长；
步骤1.7，利用步骤1.5中对学习者每次登录系统中累计离开系统的时长进行求和计算，通过公式(7)计算学习者累计离开系统的时长：
Figure GDA0003105602490000162
其中，P为累计离开系统的时长，m为系统累计登陆次数，pi为学习者第i次登录中累计离开系统的时长，单位为分钟；
步骤1.8，利用步骤1.2中对学习者在学习系统的累计在线时长的计算和步骤1.7中对学习者累计离开系统的时长的计算，通过公式(8)计算学习者的系统累计专注度：
Figure GDA0003105602490000163
其中，R为系统累计专注度，T为学习者在系统累计在线时长，P为累计离开系统的时长；
步骤1.9，利用步骤1.2中对学习者在学习系统的累计在线时长的计算和步骤1.4中对学习者的系统累计登录间隔的计算，通过公式(9)计算学习者活跃度：
Figure GDA0003105602490000164
其中，S为学习者的系统活跃度，T为学习者在系统累计在线时长，Tgap为系统累计登陆间隔；
步骤1.10，利用步骤1.8中对学习者的系统累计专注度和步骤1.9中对学习者活跃度的计算，通过公式(10)计算学习者的学习积极性A：
A＝α1*R+α2*S (10)
其中，α为权重参数
Figure GDA0003105602490000171
α1取值为0.6，α2取值为0.4，R为系统累计专注度，S为学习者活跃度；
步骤2，对学习者在学习平台学习交互度的量化
通过对学习者在学习平台中的论坛参与数据的计算，包括论坛浏览次数浏览时长、帖子的浏览量和点赞量与评论量，学习者的发帖量与被点赞和被评论量的计算，计算计算学习者在学习平台学习交互度；
具体为：
步骤2.1，在自适应学习平台的学习者行为数据库中取到学习者在学习阶段中的论坛浏览记录，将论坛浏览集合记为
Figure GDA0003105602490000172
通过公式(11)计算学习者浏览帖子的帖子点赞率：
Figure GDA0003105602490000173
其中，qapprove为帖子点赞量，|Pforum|为帖子浏览量，|Pforum|＝n_browser；
通过公式(12)计算学习者浏览帖子的帖子评论率：
Figure GDA0003105602490000174
其中，rcomment为帖子评论量，|Pforum|为帖子浏览量，|Pforum|＝n_browser；
步骤2.2，在自适应学习平台的学习者行为数据库中取到学习者在学习阶段中的论坛发帖记录，将论坛发帖集合记为
Figure GDA0003105602490000175
论坛发帖量为|Sforum|，|Sforum|＝m_send；
通过公式(13)计算学习者发布帖子收到的点赞量Usend：
Figure GDA0003105602490000181
其中，ui为发布第i个帖子收到的点赞量；
通过公式(14)计算学习者发布帖子收到的评论量Vsend：
Figure GDA0003105602490000182
其中，vi为发布第i个帖子收到的评论量；
利用公式(13)对学习者发帖收到点赞量的计算，通过公式(15)计算学习者发帖的平均被点赞量Cforum：
Figure GDA0003105602490000183
利用公式(14)对学习者发帖收到评论量的计算，通过公式(16)计算学习者发帖的平均被评论量Dforum：
Figure GDA0003105602490000184
步骤2.3：利用步骤2.1和步骤2.2中对学习者论坛发帖量和读帖量，帖子点赞量和帖子评论率以及学习者发帖的平均被点赞量和被评论量的计算，通过公式(17)计算学习者的学习交互度：
B＝0.7*[|Pforum|+(0.7*E+0.3*F)]+0.3*[|Sforum|+(0.8*Cforum+0.2*Dforum)] (17)
其中，Pforum为论坛浏览集合，E为帖子点赞率，F为帖子评论率，Sforum为发帖集合，Cforum是帖子评价被点赞量，Dforum为帖子的评价被评论量。
步骤3，对学习者在学习平台学习投入的量化；
具体为：
步骤3.1，在自适应学习平台的学习者行为数据库中取到学习者在学习阶段中的视频学习记录，通过公式(18)计算学习者视频观看的平均完成率
Figure GDA0003105602490000191
Figure GDA0003105602490000192
其中，Ci为单个视频的完成率，Ci＝lvi÷tvi，其中，lvi为单个视频的观看时长，tvi为单个视频的时长，m_video为学习者的视频观看总数；
通过公式(19)计算学习者的视频观看有效率：
Figure GDA0003105602490000193
其中，Tvideo_effect为学习者视频观看有效率，Te为学习者有限观看视频总时长，Ta为学习者观看视频总时长，Flagi＝0if lvi÷tvi＜0.7，Flagi＝1if lvi÷tvi≥0.7,视频观看时间大于该视频时长的70％，则记录该视频为有效视频，定义学习者的有效总观看时长为：
Figure GDA0003105602490000194
为学习者对视频的观看总时长；
通过公式(20)计算学习者观看视频的平均重复率：
Figure GDA0003105602490000195
其中，
Figure GDA0003105602490000196
为学习者观看视频的平均重复率，Di为单个视频重复播放率，Di＝di÷li，m_video为学习者的视频观看总数，di为单个视频的重复观看时长；
通过公式(21)计算学习者的视频投入：
Figure GDA0003105602490000197
其中，
Figure GDA0003105602490000198
为视频观看的平均完成率，
Figure GDA0003105602490000199
为学习者观看视频的平均重复率，Tvideo_effect为学习者视频观看有效率。
在自适应学习平台的学习者行为数据库中取到学习者在学习阶段中的文档学习记录，文档资源类型有课件类型、学案类型和教案类型；
课件浏览次数：d1，重复浏览次数为rep1，rep1≤d1，学案浏览次数：d2，重复浏览次数为rep2，rep2≤d2，教案浏览次数：d3，重复浏览次数为rep3，rep3≤d3，若一个文档资源被重复浏览了多次，记为1次，文档浏览总次数：D＝d1+d2+d3；
课件浏览重复率：
Figure GDA0003105602490000201
学案浏览重复率：
Figure GDA0003105602490000202
教案浏览重复率：
Figure GDA0003105602490000203
利用公式(22)计算学习者的文档浏览重复率：
Figure GDA0003105602490000204
课件浏览资源集合：Od＝{o1,o2,...,oi}，学案浏览资源集合：Pd＝{p1,p2,...,pj}，教案浏览资源集合：Qd＝{q1,q2,,qk}，课件在线浏览时长：t1，
Figure GDA0003105602490000205
其中t1m表示第m个课件的浏览时长，i为课件浏览量，学案在线浏览时长：t2，
Figure GDA0003105602490000206
其中t1m表示第m个学案的浏览时长，j为学案浏览量，教案在线浏览时长：t3，
Figure GDA0003105602490000207
其中t3m表示第m个教案的浏览时长，k为教案浏览量；
通过上述定义，利用公式(23)计算学习者的文档浏览总时长：
Tbrowse＝t1+t2+t3 (23)
利用公式(24)计算学习者的文档在线浏览平均进度：
Figure GDA0003105602490000211
其中，课件在线浏览平均进度：r1，
Figure GDA0003105602490000212
r1m为课件浏览集合中第m个课件的浏览进度，学案在线浏览平均进度：r2，
Figure GDA0003105602490000213
r2m为学案浏览集合中第m个学案的浏览进度；教案在线浏览平均进度：r3，
Figure GDA0003105602490000214
r3m为教案浏览集合中第m个教案的浏览进度；
通过公式(25)计算学习者的文档学习投入：
V＝(β1*Du+β2*R)+T (25)
其中，V为学习者文档学习投入，Du为文档重复浏览率，Rbrowse为文档在线浏览的平均进度，Tbrowse为学习者文档在线浏览的总时长，β为权重参数
Figure GDA0003105602490000215
β1取值为0.6，β2取值为0.4；
通过公式(26)计算学习者的行为投入：
D＝U+V (26)
其中，D为学习者行为投入，U为学习者视频学习投入，V为学习者文档学习投入；
步骤3.2，通过公式(27)计算学习者认知投入：
Figure GDA0003105602490000216
其中，课后作业完成率：
Figure GDA0003105602490000217
s为课后作业完成率，u为提交作业总次数，w为总作业量；课后作业正确率：
Figure GDA0003105602490000218
p为课后作业正确率，v为正确作答作业数，u为提交作业总次数；
Figure GDA0003105602490000221
ν1为0.5，ν2为0.5；
步骤3.3，根据步骤3.1计算出的学习者行为投入和步骤3.2计算出的学习者认知投入，通过公式(28)计算学习者的学习投入：
C＝0.5*D+0.5*Ecognize (28)；
步骤4，对学习者在学习平台学习强度的量化；
根据步骤1-3中对学习者学习积极性、学习交互度和学习投入的量化数据，对学习者的知识点学习强度进行量化；
具体为：
根据步骤1.10中公式(10)对学习者积极性的计算和步骤2.3中公式(17)对学习者学习交互度指标的计算和步骤3.3公式(28)中对学习者学习投入的计算，通过公式(29)计算学习者的学习强度。
Z＝ψ1*A+ψ2*B+ψ3*C (29)
其中，
Figure GDA0003105602490000222
ψ1为0.3，ψ2为0.3，ψ3为0.4，A为学习积极性，B为学习交互度，C为学习投入；
步骤5，试卷评价指标的建立
分别从试卷完成度、试卷知识点覆盖度、试卷信度和试卷效度四个方面建立试卷评价指标；具体为：
步骤5.1，计算试卷完成度E1：
Figure GDA0003105602490000223
其中，ttest_i为题目i的平均作答时间，Ttest为完成试卷的限定时间；
评价标准：E1在[0.6～0.9)范围内最佳。
完成度 评价
[0，0.3) 学习者可以很快完成试卷作答。
[0.3，0.6) 学习者比较容易完成试卷作答。
[0.6，0.9) 学习者在正常情况下可以完成作答。
[0.9，1] 学习者在限定时间内很难完成作答。
步骤5.2，计算试卷知识点覆盖率：
Figure GDA0003105602490000231
其中，|K|为学习者在学习过程中涉及到的所有知识点个数，K为学习者在学习过程中涉及到的所有知识点集合，|J|为试卷中考察所有已学知识点的个数，J为试卷中所有考察的已学知识集集合；
E2试卷知识点覆盖率的评价指标0≤E2≤1，若学习者在学习过程中学习的所有知识点在试卷中都有涉及，那么该试卷的知识点覆盖率为1，若都没有在试卷中涉及，那么该试卷的知识点覆盖率为0；
Figure GDA0003105602490000232
步骤5.3，计算试卷信度：
Figure GDA0003105602490000241
其中，k为试卷题目总数，
Figure GDA0003105602490000242
为测试平均总分的方差，
Figure GDA0003105602490000243
为每道试题平均得分的方差；
信度 评价
(0，0.5) 信度很低，考试基本无效。
[0.5，0.8) 信度低，建议对试卷进行修改。
[0.8，1) 信度较高，达到标准化考试水平。
步骤5.4，计算试卷效度E4：
Figure GDA0003105602490000244
其中，Xstrength为学习者知识点学习强度向量，
Figure GDA0003105602490000245
Ydiff为试卷中对应知识点考察难度，
Figure GDA0003105602490000246
效度 评价
[0，0.3) 试卷对知识点的考察不具有准确性。
[0.3，0.7) 试卷效度较低，不能完全符合考察预期。
[0.7，1] 试卷对知识点的考察基本符合考察预期。
步骤6，通过试卷的四个评价指标建立组卷目标函数；其中，目标函数为：
f(Xtest_i)＝ζ1*E1+ζ2*E2+ζ3*E3+ζ4*E4 (34)
其中，
Figure GDA0003105602490000251
E1、E2、E3、E4分别代表试卷完成度、知识点覆盖度、试卷信度和试卷效度四个约束条件，ζ1为0.3，ζ2为0.3，ζ3为0.2，ζ4为0.2，Xtest_i为试卷向量，
Figure GDA0003105602490000252
步骤7，采用遗传算法模型对组卷目标函数进行优化，输出适应度值最高的个体，即就是最适合的试卷，推送给学习者，如图2所示，具体为：
步骤7.1，初始化：设置题库题目的个数questionBank＝128，即组成试卷可供选择的不重复的题目一共有128道；设置组卷题目的个数questionNum＝20，即一份试卷需要由20道不重复的题目组成；设置组卷初始种群数量popSize＝20，即初始化20份不同的试卷，作为初始群体P(0)，每份试卷都由20道不重复的题目组成；设置基因位数geneSize＝7，即每道题目的基因编码由7位二进制的数字来表示题目编号，比如[1011101]表示编号为93号的题目；设置每份试卷的基因位数testPaperGenePlace＝140，即用140位二进制来表示一份试卷，每七位表示一道题目编号，一份试卷中断的20道题目占用140个基因位；设置基因变异的概率mutationRate＝0.005，设置当前遗传代数currentGeneration＝1；
步骤7.2，个体评价：对当前试卷群体P(i)组成的中每个试卷个体的适应度值进行计算；定义试卷种群中的每个个体试卷向量为
Figure GDA0003105602490000253
其中i的取值范围为[1,20]，分别代表试卷种群中的20个试卷个体，m＝20，代表组成一份试卷的二十道题目，设定试卷个体适应度F(xtest_i)等于步骤六中的组卷目标函数值f(Xtest_i)，对P(i)种群中的每个试卷个体进行适应度值的计算；
步骤7.3，选择运算：先计算出步骤7.2中试卷种群中所有试卷个体的适应度之和∑fi，其中，fi为试卷个体i的适应度值，计算出每个试卷个体的相对适应度大小
Figure GDA0003105602490000261
作为试卷个体被遗传到下一代种群中的概率，将概率值小于0.7的试卷个体抛弃，将其余试卷个体选择遗传到下一代；
步骤7.4，交叉运算：在步骤7.3中的试卷群体中两两随机选择试卷个体，将两份试卷的二进制编码串作为配对染色体，在二进制编码串中随机选择配对基因的交叉位置Genset，其中Genset大于等于1小于等于140，在该交叉位置相互交换两个配对试卷个体的部分染色体，形成一份新的试卷个体。试卷种群中原有试卷个体数量与新形成试卷个体数量总数为20。
步骤7.5，变异运算：对步骤7.4中的试卷群体中的试卷个体串的某些基因座上的基因值作变动。首先随机选取各个试卷个体基因序列变异的位置，对于每份试卷，都生成[0,1]之间的随机数，若该随机数小于等于基因变异的概率mutationRate，则将变异点的原有基因值取反，作为新的基因序列，若该随机数大于基因变异的概率mutationRate则不进行操作；
步骤7.6，终止条件判断：若currentGeneration＜maxIterNum，则将当前遗传代数currentGeneration+1，继续进行步骤7.2对下一代进行个体评价、选择交叉和变异操作；若currentGeneration＝maxIterNum,则停止迭代，将最终种群中的个体进行适应度计算，将个体适应度从大到小进行排序，输出适应度值最高的试卷个体，将该个体的140个基因位的每七位进行二进制到十进制的转化，共生成20个不同的试题编号，根据试题编号在题库中选择20道题目组成试卷，作为个性化试卷进行推送。

Claims (7)

1.一种基于遗传算法的个性化试卷推送方法，其特征在于，具体按照如下步骤实施：
步骤1，对学习者在学习平台学习积极性的量化
通过对学习者在学习平台的行为数据的统计，包括系统登录次数、系统登陆时长、累计在线时长、在线时间间隔、离开平台的时长、离开平台的次数和登录时间离线时间，计算学习者在学习平台上的学习积极性；
步骤2，对学习者在学习平台学习交互度的量化
通过对学习者在学习平台中的论坛参与数据的计算，包括论坛浏览次数浏览时长、帖子的浏览量和点赞量与评论量，学习者的发帖量与被点赞和被评论量的计算，计算学习者在学习平台学习交互度；
步骤3，对学习者在学习平台学习投入的量化；
步骤4，对学习者在学习平台学习强度的量化；
根据步骤1-3中对学习者学习积极性、学习交互度和学习投入的量化数据，对学习者的知识点学习强度进行量化；
步骤5，试卷评价指标的建立；
根据步骤4中学习强度的量化数据计算试卷效度，再结合试卷完成度、试卷知识点覆盖度和试卷信度建立试卷评价指标；具体为：
步骤5.1，计算试卷完成度E1：
Figure FDA0003803992480000011
其中，ttest_i为题目i的平均作答时间，Ttest为完成试卷的限定时间；
步骤5.2，计算试卷知识点覆盖率：
Figure FDA0003803992480000021
其中，|K|为学习者在学习过程中涉及到的所有知识点个数，K为学习者在学习过程中涉及到的所有知识点集合，|J|为试卷中考察所有已学知识点的个数，J为试卷中所有考察的已学知识集集合；
步骤5.3，计算试卷信度：
Figure FDA0003803992480000022
其中，k为试卷题目总数，
Figure FDA0003803992480000023
为测试平均总分的方差，
Figure FDA0003803992480000024
为每道试题平均得分的方差；
步骤5.4，计算试卷效度E4：
Figure FDA0003803992480000025
其中，Xstrength为学习者知识点学习强度向量，
Figure FDA0003803992480000026
Ydiff为试卷中对应知识点考察难度，
Figure FDA0003803992480000027
步骤6，通过试卷的四个评价指标建立组卷目标函数；
步骤7，采用遗传算法模型对组卷目标函数进行优化，输出适应度值最高的个体，即就是最适合的试卷，推送给学习者。
2.根据权利要求1所述的一种基于遗传算法的个性化试卷推送方法，其特征在于，所述步骤1具体为：
步骤1.1，在自适应学习平台的学习者行为数据库中取到学习者在学习阶段每次登录系统与登出系统的信息，包括登录系统的时间和登出系统的时间，通过公式(1)分别计算学习者每次系统登录停留的时长：
tdi＝tend(i)-tstart(i) (1)
其中，tdi为学习者第i次登录系统停留的时长，tend(i)为学习者第i次登出系统的时间，tstart(i)为学习者第i次登录系统的时间，单位为分钟；
步骤1.2，通过对步骤1.1中学习者每次登录系统停留时长的求和计算，通过公式(2)计算出学习者在学习系统的累计在线时长：
Figure FDA0003803992480000031
其中，T为学习者在系统累计在线时长，tdi为学习者第i次登录系统停留的时长，系统累计登陆次数为m，单位为分钟；
步骤1.3，在自适应学习平台的学习者行为数据库中取到学习者在学习阶段每次登录系统与登出系统的信息，其中包括登录系统的时间和登出系统的时间，通过公式(3)计算学习者每次系统登录时间间隔：
tgap(i)＝tstart(i)-tend(i-1)(i＞1) (3)
其中，tstart(i)为学习者第i次登录系统的时间，tend(i-1)为学习者第i-1次离开系统的时间，tgap(i)为系统登录时间间隔，即就是第i次登录时间和第i-1次退出登录时间的间隔，单位为分钟；
步骤1.4，对步骤1.3中学习者每次系统登录时间间隔进行求和计算，通过公式(4)计算学习者的系统累计登录间隔：
Figure FDA0003803992480000032
其中，Tgap为系统累计登陆间隔，m为系统累计登陆次数，tgap(i)为学习者第i次登录系统的时间间隔，单位为分钟；
步骤1.5，在自适应学习平台的学习者行为数据库中取到学习者在单次登录中离开系统和回到系统的时间，通过公式(5)计算学习者每次登录系统中累计离开系统的时长：
Figure FDA0003803992480000041
其中，pi为第i次登录中累计离开系统的时长，n为第i次登录中离开系统的次数，tback(ij)为第i次登录中第j次回到系统的时间，tleave(ij)为第i次登录中第j次离开系统的时间，单位为分钟；
步骤1.6，利用步骤1.1中对学习者每次系统登录停留的时长的计算和步骤1.5中对学习者每次登录系统中累计离开系统的时长的计算，通过公式(6)计算学习者单次登录中的专注度：
Figure FDA0003803992480000042
其中，qi为学习者第i次登录系统中的专注度，tdi学习者第i次系统登录停留的时长，pi为第i次登录中累计离开系统的时长；
步骤1.7，利用步骤1.5中对学习者每次登录系统中累计离开系统的时长进行求和计算，通过公式(7)计算学习者累计离开系统的时长：
Figure FDA0003803992480000043
其中，P为累计离开系统的时长，m为系统累计登陆次数，pi为学习者第i次登录中累计离开系统的时长，单位为分钟；
步骤1.8，利用步骤1.2中对学习者在学习系统的累计在线时长的计算和步骤1.7中对学习者累计离开系统的时长的计算，通过公式(8)计算学习者的系统累计专注度：
Figure FDA0003803992480000051
其中，R为系统累计专注度，T为学习者在系统累计在线时长，P为累计离开系统的时长；
步骤1.9，利用步骤1.2中对学习者在学习系统的累计在线时长的计算和步骤1.4中对学习者的系统累计登录间隔的计算，通过公式(9)计算学习者活跃度：
Figure FDA0003803992480000052
其中，S为学习者的系统活跃度，T为学习者在系统累计在线时长，Tgap为系统累计登陆间隔；
步骤1.10，利用步骤1.8中对学习者的系统累计专注度和步骤1.9中对学习者活跃度的计算，通过公式(10)计算学习者的学习积极性A：
A＝α1*R+α2*S (10)
其中，α为权重参数
Figure FDA0003803992480000053
α1取值为0.6，α2取值为0.4，R为系统累计专注度，S为学习者活跃度。
3.根据权利要求2所述的一种基于遗传算法的个性化试卷推送方法，其特征在于，所述步骤2具体为：
步骤2.1，在自适应学习平台的学习者行为数据库中取到学习者在学习阶段中的论坛浏览记录，将论坛浏览集合记为Pforum＝{p1,p2,...,pn_browser}；
通过公式(11)计算学习者浏览帖子的帖子点赞率：
Figure FDA0003803992480000054
其中，qapprove为帖子点赞量，|Pforum|为帖子浏览量，|Pforum|＝n_browser；
通过公式(12)计算学习者浏览帖子的帖子评论率：
Figure FDA0003803992480000061
其中，rcomment为帖子评论量，|Pforum|为帖子浏览量，|Pforum|＝n_browser；
步骤2.2，在自适应学习平台的学习者行为数据库中取到学习者在学习阶段中的论坛发帖记录，将论坛发帖集合记为Sforum＝{s1,s2,...,sm_send}，论坛发帖量为|Sforum|，|Sforum|＝m_send；
通过公式(13)计算学习者发布帖子收到的点赞量Usend：
Figure FDA0003803992480000062
其中，ui为发布第i个帖子收到的点赞量；
通过公式(14)计算学习者发布帖子收到的评论量Vsend：
Figure FDA0003803992480000063
其中，vi为发布第i个帖子收到的评论量；
利用公式(13)对学习者发帖收到点赞量的计算，通过公式(15)计算学习者发帖的平均被点赞量Cforum：
Figure FDA0003803992480000064
利用公式(14)对学习者发帖收到评论量的计算，通过公式(16)计算学习者发帖的平均被评论量Dforum：
Figure FDA0003803992480000065
步骤2.3：利用步骤2.1和步骤2.2中对学习者论坛发帖量和读帖量，帖子点赞量和帖子评论率以及学习者发帖的平均被点赞量和被评论量的计算，通过公式(17)计算学习者的学习交互度：
B＝0.7*[|Pforum|+(0.7*E+0.3*F)]+0.3*[|Sforum|+(0.8*Cforum+0.2*Dforum)] (17)
其中，Pforum为论坛浏览集合，E为帖子点赞率，F为帖子评论率，Sforum为发帖集合，Cforum是帖子评价被点赞量，Dforum为帖子的评价被评论量。
4.根据权利要求3所述的一种基于遗传算法的个性化试卷推送方法，其特征在于，所述步骤3具体为：
步骤3.1，在自适应学习平台的学习者行为数据库中取到学习者在学习阶段中的视频学习记录，通过公式(18)计算学习者视频观看的平均完成率
Figure FDA0003803992480000071
Figure FDA0003803992480000072
其中，Ci为单个视频的完成率，Ci＝lvi÷tvi，其中，lvi为单个视频的观看时长，tvi为单个视频的时长，m_video为学习者的视频观看总数；
通过公式(19)计算学习者的视频观看有效率：
Figure FDA0003803992480000073
其中，Tvideo_effect为学习者视频观看有效率，Te为学习者有限观看视频总时长，Ta为学习者观看视频总时长，Flagi＝0 if lvi÷tvi<0.7，Flagi＝1 if lvi÷tvi≥0.7,视频观看时间大于该视频时长的70％，则记录该视频为有效视频，定义学习者的有效总观看时长为：
Figure FDA0003803992480000074
为学习者对视频的观看总时长；
通过公式(20)计算学习者观看视频的平均重复率：
Figure FDA0003803992480000081
其中，
Figure FDA0003803992480000082
为学习者观看视频的平均重复率，Di为单个视频重复播放率，Di＝di÷li，m_video为学习者的视频观看总数，di为单个视频的重复观看时长；
通过公式(21)计算学习者的视频投入：
Figure FDA0003803992480000083
其中，
Figure FDA0003803992480000084
为视频观看的平均完成率，
Figure FDA0003803992480000085
为学习者观看视频的平均重复率，Tvideo_effect为学习者视频观看有效率；
在自适应学习平台的学习者行为数据库中取到学习者在学习阶段中的文档学习记录，文档资源类型有课件类型、学案类型和教案类型；
课件浏览次数：d1，重复浏览次数为rep1，rep1≤d1，学案浏览次数：d2，重复浏览次数为rep2，rep2≤d2，教案浏览次数：d3，重复浏览次数为rep3，rep3≤d3，若一个文档资源被重复浏览了多次，记为1次，文档浏览总次数：D＝d1+d2+d3；
课件浏览重复率：
Figure FDA0003803992480000086
学案浏览重复率：
Figure FDA0003803992480000087
教案浏览重复率：
Figure FDA0003803992480000088
利用公式(22)计算学习者的文档浏览重复率：
Figure FDA0003803992480000089
课件浏览资源集合：Od＝{o1,o2,...,oi}，学案浏览资源集合：Pd＝{p1,p2,...,pj}，教案浏览资源集合：Qd＝{q1,q2,,qk}，课件在线浏览时长：t1，
Figure FDA00038039924800000810
其中t1m表示第m个课件的浏览时长，i为课件浏览量，学案在线浏览时长：t2，
Figure FDA0003803992480000091
其中t1m表示第m个学案的浏览时长，j为学案浏览量，教案在线浏览时长：t3，
Figure FDA0003803992480000092
其中t3m表示第m个教案的浏览时长，k为教案浏览量；
通过上述定义，利用公式(23)计算学习者的文档浏览总时长：
Tbrowse＝t1+t2+t3 (23)
利用公式(24)计算学习者的文档在线浏览平均进度：
Figure FDA0003803992480000093
其中，课件在线浏览平均进度：r1，
Figure FDA0003803992480000094
r1m为课件浏览集合中第m个课件的浏览进度，学案在线浏览平均进度：r2，
Figure FDA0003803992480000095
r2m为学案浏览集合中第m个学案的浏览进度；教案在线浏览平均进度：r3，
Figure FDA0003803992480000096
r3m为教案浏览集合中第m个教案的浏览进度；
通过公式(25)计算学习者的文档学习投入：
V＝(β1*Du+β2*R)+T (25)
其中，V为学习者文档学习投入，Du为文档重复浏览率，Rbrowse为文档在线浏览的平均进度，Tbrowse为学习者文档在线浏览的总时长，β为权重参数
Figure FDA0003803992480000097
β1取值为0.6，β2取值为0.4；
通过公式(26)计算学习者的行为投入：
D＝U+V (26)
其中，D为学习者行为投入，U为学习者视频学习投入，V为学习者文档学习投入；
步骤3.2，通过公式(27)计算学习者认知投入：
Figure FDA0003803992480000101
其中，课后作业完成率：
Figure FDA0003803992480000102
s为课后作业完成率，u为提交作业总次数，w为总作业量；课后作业正确率：
Figure FDA0003803992480000103
p为课后作业正确率，v为正确作答作业数，u为提交作业总次数；
Figure FDA0003803992480000104
ν1为0.5，ν2为0.5；
步骤3.3，根据步骤3.1计算出的学习者行为投入和步骤3.2计算出的学习者认知投入，通过公式(28)计算学习者的学习投入：
C＝0.5*D+0.5*Ecognize (28)。
5.根据权利要求4所述的一种基于遗传算法的个性化试卷推送方法，其特征在于，所述步骤4具体为：
根据步骤1.10中公式(10)对学习者积极性的计算和步骤2.3中公式(17)对学习者学习交互度指标的计算和步骤3.3公式(28)中对学习者学习投入的计算，通过公式(29)计算学习者的学习强度：
Z＝ψ1*A+ψ2*B+ψ3*C (29)
其中，
Figure FDA0003803992480000105
ψ1为0.3，ψ2为0.3，ψ3为0.4，A为学习积极性，B为学习交互度，C为学习投入。
6.根据权利要求5所述的一种基于遗传算法的个性化试卷推送方法，其特征在于，所述步骤6中的目标函数为：
f(Xtest_i)＝ζ1*E1+ζ2*E2+ζ3*E3+ζ4*E4 (34)
其中，
Figure FDA0003803992480000111
E1、E2、E3、E4分别代表试卷完成度、知识点覆盖度、试卷信度和试卷效度四个约束条件，Xtest_i为试卷向量，
Figure FDA0003803992480000112
7.根据权利要求6所述的一种基于遗传算法的个性化试卷推送方法，其特征在于，所述步骤7具体为：
步骤7.1，初始化：设置题库题目的个数questionBank；设置组卷题目的个数questionNum；设置组卷初始种群数量popSize，作为初始群体P(0)；设置基因位数geneSize；设置每份试卷的基因位数testPaperGenePlace；设置基因变异的概率mutationRate；设置当前遗传代数currentGeneration＝1；
步骤7.2，个体评价：对当前试卷群体P(i)组成的中每个试卷个体的适应度值进行计算；定义试卷种群中的每个个体试卷向量为
Figure FDA0003803992480000113
其中i的取值范围为[1,questionNum]，分别代表试卷种群中的questionNum个试卷个体，m＝questionNum，代表组成一份试卷的questionNum道题目，设定试卷个体适应度F(xtest_i)等于步骤六中的组卷目标函数值f(Xtest_i)，对P(i)种群中的每个试卷个体进行适应度值的计算；
步骤7.3，选择运算：先计算出步骤7.2中试卷种群中所有试卷个体的适应度之和∑fi，其中，fi为试卷个体i的适应度值，计算出每个试卷个体的相对适应度大小
Figure FDA0003803992480000114
作为试卷个体被遗传到下一代种群中的概率，将概率值小于0.7的试卷个体抛弃，将其余试卷个体选择遗传到下一代；
步骤7.4，交叉运算：在步骤7.3中的试卷群体中两两随机选择试卷个体，将两份试卷的二进制编码串作为配对染色体，在二进制编码串中随机选择配对基因的交叉位置Genset，其中Genset大于等于1小于等于testPaperGenePlace，在该交叉位置相互交换两个配对试卷个体的部分染色体，形成一份新的试卷个体，试卷种群中原有试卷个体数量与新形成试卷个体数量总数为questionNum；
步骤7.5，变异运算：对步骤7.4中的试卷群体中的试卷个体串的某些基因座上的基因值作变动：首先随机选取各个试卷个体基因序列变异的位置，对于每份试卷，都生成[0,1]之间的随机数，若该随机数小于等于基因变异的概率mutationRate，则将变异点的原有基因值取反，作为新的基因序列，若该随机数大于基因变异的概率mutationRate则不进行操作；
步骤7.6，终止条件判断：若currentGeneration＜maxIterNum，则将当前遗传代数currentGeneration+1，继续进行步骤7.2对下一代进行个体评价、选择交叉和变异操作；若currentGeneration＝maxIterNum，则停止迭代，将最终种群中的个体进行适应度计算，将个体适应度从大到小进行排序，输出适应度值最高的试卷个体，将该个体的testPaperGenePlace个基因位的每七位进行二进制到十进制的转化，共生成questionNum个不同的试题编号，根据试题编号在题库中选择questionNum道题目组成试卷，作为个性化试卷进行推送。
CN202110343603.1A 2021-03-30 2021-03-30 一种基于遗传算法的个性化试卷推送方法 Active CN113127734B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110343603.1A CN113127734B (zh) 2021-03-30 2021-03-30 一种基于遗传算法的个性化试卷推送方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110343603.1A CN113127734B (zh) 2021-03-30 2021-03-30 一种基于遗传算法的个性化试卷推送方法

Publications (2)

Publication Number Publication Date
CN113127734A CN113127734A (zh) 2021-07-16
CN113127734B true CN113127734B (zh) 2022-11-25

Family

ID=76775042

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110343603.1A Active CN113127734B (zh) 2021-03-30 2021-03-30 一种基于遗传算法的个性化试卷推送方法

Country Status (1)

Country Link
CN (1) CN113127734B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108447326A (zh) * 2018-04-02 2018-08-24 华北水利水电大学 一种英语教学语言学习系统
CN110782375A (zh) * 2019-09-05 2020-02-11 华南师范大学 基于数据的在线学习全过程动态分析方法及系统
CN112508334A (zh) * 2020-11-06 2021-03-16 华中师范大学 融合认知特性及试题文本信息的个性化组卷方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100838170B1 (ko) * 2006-09-27 2008-06-16 종 해 김 e-러닝 학습인증 방법과 관련 시스템
CN108182489B (zh) * 2017-12-25 2021-06-18 浙江工业大学 一种基于在线学习行为分析的个性化学习推荐方法
CN109871441A (zh) * 2019-03-13 2019-06-11 北京航空航天大学 一种基于神经网络的导学问答系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108447326A (zh) * 2018-04-02 2018-08-24 华北水利水电大学 一种英语教学语言学习系统
CN110782375A (zh) * 2019-09-05 2020-02-11 华南师范大学 基于数据的在线学习全过程动态分析方法及系统
CN112508334A (zh) * 2020-11-06 2021-03-16 华中师范大学 融合认知特性及试题文本信息的个性化组卷方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Research on intelligent test paper generation based on improved genetic algorithm;Huang Ming等;《2009 Chinese Control and Decision Conference》;20090807;2967-2970 *
一种改进遗传算法的自动组卷系统优化研究;刘雅莉;《微型电脑应用》;20200820(第08期);32-34+44 *
基于用户兴趣模型及能力评估模型的个性化推荐方法研究;阮怀伟等;《电脑与电信》;20180510(第05期);45-48 *

Also Published As

Publication number Publication date
CN113127734A (zh) 2021-07-16

Similar Documents

Publication Publication Date Title
CN109919810B (zh) 在线学习系统中的学生建模与个性化课程推荐方法
Kane Evaluating the impact of the DC tuition assistance grant program
CN112700688B (zh) 一种智能课堂教学辅助系统
CN108564117B (zh) 一种基于svm的贫困生辅助认定方法
CN111737427B (zh) 融合论坛互动行为与用户阅读偏好的慕课论坛帖推荐方法
CN110704510A (zh) 一种结合用户画像的题目推荐方法及系统
CN114913729A (zh) 一种选题方法、装置、计算机设备和存储介质
Zhang [Retracted] Construction and Empirical Study of Learner Portrait in Online General Education Course
CN113127734B (zh) 一种基于遗传算法的个性化试卷推送方法
CN113870634A (zh) 一种结合虚拟教学的智能组卷方法与系统
CN117474353A (zh) 一种基于在线教育的决策自动生成方法和装置
Dancer et al. Modelling students at risk
CN115795015A (zh) 一种试题难度增强的综合知识追踪方法
CN116777695A (zh) 融合项目反应的时序卷积知识追踪方法
Sghir et al. Using learning analytics to improve students' enrollments in higher education
Abelt et al. Predicting likelihood of enrollment among applicants to the UVa undergraduate program
Yazdipour et al. Data Driven Decision Support to Fund Graduate Studies in Abroad Universities
Iyer et al. Using machine learning as a tool to help guide undeclared/undecided first-year engineering students towards a discipline
Wang et al. Personalized exercise recommendation method based on causal deep learning: Experiments and implications
Awaji Evaluation of machine learning techniques for early identification of at-risk students
CN111292002B (zh) 基于遗传-粒子群算法的评阅答辩分组方法及系统
Balogun et al. Data analytics: an exploration of quality control to determine students' academic performance
CN114565095A (zh) 一种基于深度知识追踪和遗传算法的个性化组卷方法
CN118035568A (zh) 一种感知知识掌握程度的教育习题智能推荐方法
CN117893374A (zh) 一种基于图像分类的mooc辍学率预测方法及系统

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
TA01 Transfer of patent application right

Effective date of registration: 20221104

Address after: 710000 No. B49, Xinda Zhongchuang space, 26th Street, block C, No. 2 Trading Plaza, South China City, international port district, Xi'an, Shaanxi Province

Applicant after: Xi'an Huaqi Zhongxin Technology Development Co.,Ltd.

Address before: 710048 Shaanxi province Xi'an Beilin District Jinhua Road No. 5

Applicant before: XI'AN University OF TECHNOLOGY

Effective date of registration: 20221104

Address after: 3-A4F, Creative Industry Park, No. 328, Xinghu Street, Suzhou Industrial Park, Suzhou Area, China (Jiangsu) Pilot Free Trade Zone, Jiangsu Province, 215000

Applicant after: Jiangsu Leyi Smart Technology Co.,Ltd.

Address before: 710000 No. B49, Xinda Zhongchuang space, 26th Street, block C, No. 2 Trading Plaza, South China City, international port district, Xi'an, Shaanxi Province

Applicant before: Xi'an Huaqi Zhongxin Technology Development Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant