CN113870634A - 一种结合虚拟教学的智能组卷方法与系统 - Google Patents

一种结合虚拟教学的智能组卷方法与系统 Download PDF

Info

Publication number
CN113870634A
CN113870634A CN202111120397.4A CN202111120397A CN113870634A CN 113870634 A CN113870634 A CN 113870634A CN 202111120397 A CN202111120397 A CN 202111120397A CN 113870634 A CN113870634 A CN 113870634A
Authority
CN
China
Prior art keywords
test
question
error
questions
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
CN202111120397.4A
Other languages
English (en)
Inventor
胡友民
张茜
吴波
寇逸群
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202111120397.4A priority Critical patent/CN113870634A/zh
Publication of CN113870634A publication Critical patent/CN113870634A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G09B7/04—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 characterised by modifying the teaching programme in response to a wrong answer, e.g. repeating the question, supplying a further explanation
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Technology (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Educational Administration (AREA)
  • Algebra (AREA)
  • Human Computer Interaction (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本发明公开了一种结合虚拟教学的智能组卷方法及系统，其方法包括：获取题库，将虚拟场景的操作步骤与题库中的试题相关联；获取虚拟场景中错误操作步骤，确定与错误操作步骤关联的相关试题，计算并更新相关试题的操作错误系数；根据试题的k个属性建立目标函数
Figure DDA0003276887740000011
其中，wg表示第g个属性的权重，Eg表示组卷所有试题的第g个属性各取值所对应的试题期望分数与实际分数的偏差，所述K个属性中包括试题的错误操作系数；以目标函数取最小值求解目标函数以生成试卷。通过将目前分割的虚拟操作考核和理论考核关联起来，得到更贴合学员实际操作情况的理论考核试卷，从而提升教学和培训质量和效率。

Description

一种结合虚拟教学的智能组卷方法与系统
技术领域
本发明属于网络虚拟教学和培训领域，更具体地，涉及一种结合虚拟教学的智能组卷方法与系统。
背景技术
随着新一代信息技术的发展，教学与培训的方式也在逐渐向网络化、信息化、智能化转型。网络教学与培训的模块一般包含基本理论学习、操作流程演示、操作流程练习、考核。其中，考核模块一般分为理论考核和操作考核两个部分，理论考核是基于相关理论知识生成的题库进行考核，操作考核是基于已知操作流程通过虚拟交互操作考核学员是否已经对操作的对象、顺序、位置等完全掌握。
然而，目前理论考核和操作考核都是相对独立的两块，理论考核一般是基于题库采用各种智能算法以认知层次、难度系数、题型等作为约束条件用智能组卷的方法生成考卷，所生成的考卷与操作考核的结果无关。但实际上，每个学员对不同模块不同操作的掌握程度不同，在操作考核中犯的错误也不同，针对性的考核才能提升其学习效率，而目前的智能组卷方法多以传统的教学系统为背景，没有考虑和虚拟操作考核的结合，无法发挥虚拟教学与培训的优势，组卷试题针对性不强，培训者的学习效率不高。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种结合虚拟教学的智能组卷方法与系统，其目的在于结合虚拟场景中的操作考核结果进行理论知识的组卷，由此解决组卷试题针对性不强，培训者的学习效率不高的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种结合虚拟教学的智能组卷方法，其包括：
获取题库，将虚拟场景的操作步骤与题库中的试题相关联；
获取虚拟场景中错误操作步骤，确定与错误操作步骤关联的相关试题，计算并更新相关试题的操作错误系数；
根据试题的k个属性建立目标函数
Figure BDA0003276887720000021
其中，wg表示第g个属性的权重，Eg表示组卷所有试题的第g个属性各取值所对应的试题期望分数与实际分数的偏差，所述K个属性中包括试题的错误操作系数；
以目标函数取最小值求解目标函数以生成试卷。
优选地，获取虚拟场景中错误操作步骤，确定与错误操作步骤关联的相关试题，计算并更新相关试题的操作错误系数，包括：
获取虚拟场景中错误操作步骤并提取操作错误信息，所述操作错误信息包括操作错误的时间点；
计算相关试题的操作错误系数
Figure BDA0003276887720000022
其中，T1表示当前组卷时间，T2表示与当前组卷时间最接近的对应相关试题的操作步骤的操作错误时间，P为预设的时间量度。
优选地，所述试题的K个属性分别为错误操作系数、区分度、认知层次、试题难度系数，目标函数
Figure BDA0003276887720000023
且
Figure BDA0003276887720000024
其中，qg表示第g个属性的取值分为qg个区间，
Figure BDA0003276887720000025
表示第g个属性的取值处于第p个区间时对应的组卷试题的期望分数，Egp表示第g个属性的取值处于第p个区间时对应的组卷试题的实际分数。
优选地，对于区分度、认知层次、试题难度系数属性，qg个区间对应的试题分数呈高斯分布。
优选地，以目标函数取最小值求解目标函数以生成试卷，包括：根据遗产算法求解目标函数以生成试卷。
优选地，根据遗产算法求解目标函数以生成试卷包括：
根据组卷的题型约束条件、题量约束条件、试卷总分约束条件从题库中试题，生成N套满足约束条件的试卷，完成种群的初始化；
将目标函数转化为适应度函数，计算种群个体的适应度，将适应度值高的个体遗传至下一代；
自种群中不放回的抽取两个试卷，随机选择试卷中两个相邻的试题与另一试卷中的同类型题目进行交叉；
对个体中的每道题有特定概率从数据库的题库中随机抽取一个同类题目进行替换；
计算所有个体的适应度并比较，判断适应度最大的试卷的适应度值是否达到目标值或者是否达到最大迭代次数，若是则输出适应度最大的试卷，反之则进行新一轮迭代。
优选地，将目标函数转化为适应度函数，包括：通过改进型界限构造法将目标函数转换为适应度函数。
按照本发明的另一方面，提供了一种结合虚拟教学的智能组卷系统，其包括：
关联单元，用于将虚拟场景的操作步骤与题库中的试题相关联；
操作错误系数计算单元，用于获取虚拟场景中错误操作步骤，确定与错误操作步骤关联的相关试题，计算并更新相关试题的操作错误系数；
目标函数构建单元，用于根据试题的k个属性建立目标函数
Figure BDA0003276887720000031
Figure BDA0003276887720000032
其中，wg表示第g个属性的权重，Eg表示组卷所有试题的第g个属性各取值所对应的试题期望分数与实际分数的偏差，所述K个属性中包括试题的错误操作系数；
求解单元，以目标函数取最小值求解目标函数以生成试卷。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，由于将试题与操作步骤相关联，在虚拟教学和培训中获取错误操作步骤，确定与该错误操作步骤关联的试题并根据错误操作信息计算对应试题的错误操作系数，基于错误操作系数构建组卷的目标函数，即将虚拟教学和培训中操作考核结果作为理论考核智能组卷的约束条件，并综合其他约束条件生成目标函数，可以将目前分割的虚拟操作考核和理论考核关联起来，得到更贴合学员实际操作情况的理论考核试卷，从而提升教学和培训质量和效率。
附图说明
图1是本发明一实施例中的结合虚拟教学的智能组卷方法的步骤流程图；
图2是本发明一实施例中的求解目标函数的步骤流程图；
图3是本发明一实施例中的结合虚拟教学的智能组卷方法的过程示意图；
图4是本发明一实施例中的虚拟操作考核流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示为结合虚拟教学的智能组卷方法的步骤流程图，其中，该智能组卷方法包括：
步骤S100：获取题库，将操作步骤与题库中的试题相关联。
参阅表1，理论考核的考核内容存储于题库信息表中，题库中包含试题内容以及试题的各个属性值。对题库中的试题进行有目的地随机抽取以综合考察学员各个知识点的熟练情况。其中，每道试题均与虚拟场景的操作步骤相关联，例如一个操作涉及知识点有K1,K2,K3，试题2如果包含知识点K1，则与该操作关联，示意性地，如图3所示，操作1与题目2关联，操作2与题目3关联，操作3与题目1关联。
表1题库信息表(stepproblem)
Figure BDA0003276887720000051
步骤S200：获取虚拟场景中错误操作步骤，确定与错误操作步骤关联的相关试题，计算并更新相关试题的操作错误系数。
对于一些大型复杂装备的操作培训，往往受限于场地与设备不足，不但培训的过程会占用正常的生产或使用，而且传统的图文资料及面授的授课方式培训效率低，学员学习理解存在着一定的门槛，对于一些故障及安全事项的学习由于缺乏实际的体会变得流于形式，为未来的操作埋下隐患。网络虚拟仿真教学与培训系统的出现，为教学与培训提供了新思路，它采用了虚拟现实技术，可以通过代码逻辑及虚拟动画复现实际场景中的操作，使用户能够在虚拟场景中进行实操的学习，突破了传统物理条件的限制。用户在虚拟环境中反复练习，对操作对象及操作流程进行学习，降低对实验教具的投入和维护成本，规避安全风险，增加趣味性，可有效提升培训效果。
在本步骤中，在组卷之前，如图3所示，先对学员进行虚拟场景操作考核，操作考核是考核学员通过外部输入设备在虚拟培训系统中与模型交互，从而依照设置步骤完成某个章节所有流程的过程。
在一具体的实施例中，如图4所示，操作考核的流程包括如下步骤：
步骤S001：进入章节操作考核界面，点击开始考核，开始记录考核时间。
步骤S002：进行第h步操作。(初始h＝1)
步骤S003：若操作正确，则进行h+1步操作，若操作错误则从数据库中提取该步骤的分数信息和详情信息，在考核界面提示该操作的详情，并在该章节总分中扣除相应的分数，并在本地记录该错误操作，然后重复该操作，直至操作正确才可进行第h+1步操作。操作后使h＝h＝+1,然后重复步骤S003。
步骤S004：直至完成该章节所有操作步骤，显示试卷提交按钮，点击提交，考核计时停止，显示考核成绩和考核成绩与排名信息，上传错误操作信息至数据库。
当学员虚拟场景操作考核结束后，数据库内存储有操作错误信息，在进行组卷时，根据数据库的操作错误信息确定与错误操作步骤关联的相关试题，并计算相关试题的操作错误系数，该操作错误系数反应的是该试题对应的错误步骤发生错误的概率，试题操作错误系数越大，说明在虚拟操作考核中对应操作越容易出错。
在一实施例中，步骤S200包括以下子步骤：
步骤S210：获取虚拟场景中错误操作步骤并记录操作错误信息，所述操作错误信息包括操作错误的时间点。
步骤S220：计算相关试题的操作错误系数
Figure BDA0003276887720000071
其中，X1表示当前组卷时间，X2表示与当前组卷时间最接近的对应相关试题的操作步骤的操作错误时间，P为预设的时间量度。
在本实施例中，操作错误信息包括操作错误的时间点，例如，在组卷之前某学员进行了虚拟环境的操作考核，系统记录了发生错误的操作步骤，例如步骤S1和步骤S2均发生了错误且有可能在考核操作中发生了多次错误。系统根据操作步骤与试题的关联，找到与步骤S1和步骤S2关联的试题，例如步骤S1关联的试题为试题1和试题20。在时间点T1时，系统需要进行组卷以对该学员进行理论考核，此时，需计算和更新试题1和试题20的操作错误系数，当步骤S1在发生多次错误时，选择与组卷时间T1最为接近的错误时间点T2,根据公式
Figure BDA0003276887720000072
计算对应试题1和试题20的错误操作系数。
步骤S300：根据试题的k个属性建立目标函数
Figure BDA0003276887720000073
其中，wg表示第g个属性的权重，Eg表示组卷所有试题的第g个属性各取值所对应的试题期望分数与实际分数的偏差，所述K个属性中包括试题的错误操作系数。
试卷需要满足各项属性要求，例如组成目标试卷的试题需要满足n项属性的约束指标，将n项约束指标结合便组成试题的n维特征向量。试题的n维向量使用(ａ1,a2,a3,…)表示，其中ai对应试题特征向量的第i项指标。假设目标试卷包含的试题量为m，试卷的表示矩阵为m*n阶矩阵。其中，可设定试卷矩阵中第1项指标表示试题分数，即ar1表示第r道题的分数；第2项指标表示试题错误操作系数，即ar2表示第r道题的错误操作系数；第3项指标表示试题的区分度，即ar3表示第r道题的区分度；第4项指标表示试题的认知层次，即ar4表示第r道题的认知层次；第5项指标表示试题的难度系数，即ar5表示第r道题的难度系数。
Figure BDA0003276887720000081
试卷中各个试题需要考虑的指标包括总分值、题型、章节知识点、难度系数、区分度、认知层次、考核时间、曝光度以及错误率等，智能组卷时各项指标均需达到对应的要求。
步骤S300为根据试题的多个属性的约束条件建立目标函数，该约束条件包括上述计算的错误操作系数。具体的，目标函数
Figure BDA0003276887720000082
其中，wg表示第g个属性的权重，
Figure BDA0003276887720000083
每个属性的权重可根据实际情况自行设定。
在一实施例中，限定目标函数的试题属性包括错误操作系数、区分度、认知层次、试题难度系数。目标函数
Figure BDA0003276887720000084
且
Figure BDA0003276887720000085
其中，qg表示第g个属性的取值分为qg个区间，
Figure BDA0003276887720000086
表示第g个属性的取值处于第p个区间时对应的组卷试题的期望分数，该期望分数是根据事情需求提前设定的。Egp表示第g个属性的取值处于第p个区间时对应的组卷试题的实际分数。其中，
Figure BDA0003276887720000087
其中，ar1表示第r道题的分数，ari表示第r道题的第g个属性。
以下分别对错误操作系数、区分度、认知层次、试题难度系数四个属性的偏差计算进行说明。
对于错误操作系数的分数偏差E1,即g＝1，
Figure BDA0003276887720000088
其中，操作错误系数的取值分为q1个区间，
Figure BDA0003276887720000089
为错误操作系数处于区间P的试题的期望分数，该期望分数为设定值，E1p为错误操作系数处于区间P的试题的时间分数，可通过公式
Figure BDA0003276887720000091
表示,其中，ar1表示第r道题的分数，ar2表示第r道题的错误操作系数。例如参见表2，q1＝4，操作错误系数的取值分为如下4个取值区间：
表2操作错误系数区间划分表
Figure BDA0003276887720000092
对于每个系数区间，均有期望的试题分数值，例如参见表3，即
Figure BDA0003276887720000098
表示错误操作系数的取值处于区间1的试题的期望分数，例如表3对应的分数40，E11则表示实际组卷中错误操作系数的取值处于区间1的试题的实际分数，其表示为
Figure BDA0003276887720000093
同理可表示错误操作属性其他区间的实际分数。
表3各操作错误系数区间所期望分数分布表
Figure BDA0003276887720000094
同理，对于区分度的分数偏差E2,即g＝2，
Figure BDA0003276887720000095
其中，区分度的取值分为q2个区间，例如，q2＝4，区分度的4个取值区间分别为偏差(区间1)、中等(区间2)、良好(区间3)、优秀(区间4)，对于每个区分度区间，均有期望的试题分数值，例如参见表4，即
Figure BDA0003276887720000096
表示区分度处于区间1的试题的期望分数，例如表4对应的分数10，E21则表示实际组卷中区分度处于区间1的试题的实际分数，其表示为
Figure BDA0003276887720000097
Figure BDA0003276887720000101
其中，ar1表示第r道题的分数，ar3表示第r道题的区分度。同理可表示区分度属性其他区间的实际分数。
表4区分度所期望分数分数表
Figure BDA0003276887720000102
同理，对于认知层次的分数偏差E3,即g＝3，
Figure BDA0003276887720000103
其中，区分度的取值分为q3个区间，例如，q3＝4，区分度的4个取值区间分别为应用(区间1)、掌握(区间2)、理解(区间3)、识记(区间4)，对于每个认知层次区间，均有期望的试题分数值，例如参见表5，即
Figure BDA0003276887720000104
表示认知层次处于区间1的试题的期望分数，例如表5对应的分数15，E31则表示实际组卷中认知层次处于区间1的试题的实际分数，其表示为
Figure BDA0003276887720000105
Figure BDA0003276887720000106
其中，ar1表示第r道题的分数，ar4表示第r道题的认知层次。同理可表示认知层次属性其他区间的实际分数。
表5认知层次所期望分数分布表
Figure BDA0003276887720000107
同理，对于难度系数的分数偏差E4,即g＝4，
Figure BDA0003276887720000108
其中，难度系数的取值分为q4个区间，例如，q4＝5，区分度的5个取值区间分别为容易(区间1)、较易(区间2)、一般(区间3)、较难(区间4)、难(区间5)，对于每个难度系数区间，均有期望的试题分数值，例如参见表6，即
Figure BDA0003276887720000109
表示难度系数处于区间1的试题的期望分数，例如表6对应的分数10，E41则表示实际组卷中难度系数处于区间1的试题的实际分数，其表示为
Figure BDA0003276887720000111
其中，ar1表示第r道题的分数，ar5表示第r道题的难度。同理可表示难度属性其他区间的实际分数。
表6难度所期望分数分布表
Figure BDA0003276887720000112
在一实施例中，对于区分度、认知层次、试题难度系数等属性，每个属性的qg个区间对应的试题分数呈高斯分布。
步骤S400：以目标函数取最小值求解目标函数以生成试卷。
在构建出目标函数后，以目标函数取最小值求解目标函数，得到符合条件的试卷。
在一实施例中，具体是根据遗产算法求解目标函数以生成试卷。在一具体的实施例中，如图2所示，根据遗产算法求解目标函数的过程为：
步骤S410：根据组卷的题型约束条件、题量约束条件、试卷总分约束条件从题库中试题，生成N套满足约束条件的试卷，完成种群的初始化。
对题库中的题目编号进行编码，试卷组成染色体，所以染色体编码为(G1,G2,…,Gm)，其中m为试卷的题目数目。根据目标试卷的题型约束条件、题量约束条件、试卷总分约束条件考虑进来，首先对这些目标随种群进行筛选，只有符合这些条件的试卷个体才会进入种群中。在一具体的实施例中，可根据上述约束条件生成20套满足约束条件的试卷。
例如目标试卷的总分为100分，包括10个选择题和10个填空题，考试时间为60分钟。试卷组成如表7所示：
表7试卷组成分布表
Figure BDA0003276887720000121
步骤S420：将目标函数转化为适应度函数，计算种群个体的适应度，将适应度值高的个体遗传至下一代。
适应度函数是判断种群中个体好坏的标准，对于最小值的求解问题，通过改进型界限构造法转化为适应度函数：
Figure BDA0003276887720000122
其中C为保守估计值。
依据适应度函数计算种群中每份试卷的适应度值，根据适应度值决定每份试卷作为下一代种群父母体的概率区间大小，通过随机数落在对应概率区间次数的方式决定对应试卷成为父母体的次数。
步骤S430：自种群中不放回的抽取两个试卷，随机选择试卷中两个相邻的试题与另一试卷中的同类型题目进行交叉。
步骤S440：对个体中的每道题有特定概率从数据库的题库中随机抽取一个同类题目进行替换。
步骤S430和步骤S440为交叉变异过程，即一次迭代过程。具体的，自种群中不放回的抽取两个试卷，随机选择试卷中两个相邻的试题与另一试卷中的同类型题目进行交叉。在交叉操作完成后，对新试卷个体中的每道题有0.68％的概率从数据库的题库中随机抽取一个同类题目进行替换。考虑题目类型和章节，变换前的试题与变换后的试题需要属于同一种题型和同一章节，在这个过程中直接完成题型和章节的约束。
步骤S450：计算所有个体的适应度并比较，判断适应度最大的试卷的适应度值是否达到目标值或者是否达到最大迭代次数，若是则输出适应度最大的试卷，反之则进行新一轮迭代。
通过步骤S410～步骤SS450，即可生成试卷。
以下以一具体的实施例进行说明。
例如，理论考核题库包含280个试题，其中包括140个选择题和140个填空题。数据库中包含每一个试题对应的属性信息，如试题难度系数、区分度系数、认知层次系数、操作相关度等，同时也包含这些属性值得数据来源，如难度系数需要通过试题平均分和试题满分来计算，区分度系数需要通过试题高分组平均分、低分组平均分以及试题考核人数等来计算。同时也包含试题内容和试题答案，自动对试题考核进行批改评分。遗传算法的计算数据都需要从数据库中获取。目标试卷的总分为100分，包括10个选择题和10个填空题，考试时间为60分钟。目标试卷的组成见上文表7，各操作错误系数区间所期望分数分布见上文表3，各区分度所期望分数分数表4，认知层次所期望分数分布见上文表5，各难度所期望分数分布见上文表6。同时，根据专业教师的指导意见，将各个属性条件的权重值确定为表8所示：
表8试卷权重系数分布表
Figure BDA0003276887720000131
将适应度函数表示为
Figure BDA0003276887720000132
C≥0,C-f(x)≥0时，计算结果如表9所示。
表9计算结果表
Figure BDA0003276887720000133
由表9可知随着迭代次数的增加，迭代结果趋于稳定，选择适应度函数值为0.59时的试卷编码作为组卷结果，表示为{127,47,266,109,96,214,275,236,45,39,101,242,149,248,23,113,93,14,254,34}。此时的目标函数值为0.69。经过上述求解，得到试卷编码为{127,47,266,109,96,214,275,236,45,39,101,242,149,248,23,113,93,14,254,34}。
本申请还涉及一种结合虚拟教学的智能组卷系统，其包括：
关联单元，用于将虚拟场景的操作步骤与题库中的试题相关联；
操作错误系数计算单元，用于获取虚拟场景中错误操作步骤，确定与错误操作步骤关联的相关试题，计算并更新相关试题的操作错误系数；
目标函数构建单元，用于根据试题的k个属性建立目标函数
Figure BDA0003276887720000141
Figure BDA0003276887720000142
其中，wg表示第g个属性的权重，Eg表示组卷所有试题的第g个属性各取值所对应的试题期望分数与实际分数的偏差，所述K个属性中包括试题的错误操作系数；
求解单元，以目标函数取最小值求解目标函数以生成试卷。
在本申请中，由于将试题与操作步骤相关联，在虚拟教学和培训中获取错误操作步骤，确定与该错误操作步骤关联的试题并根据错误操作信息计算对应试题的错误操作系数，基于错误操作系数构建组卷的目标函数，即将虚拟教学和培训中操作考核结果作为理论考核智能组卷的约束条件，并综合其他约束条件生成目标函数，可以将目前分割的虚拟操作考核和理论考核关联起来，得到更贴合学员实际操作情况的理论考核试卷，从而提升教学和培训质量和效率。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种结合虚拟教学的智能组卷方法，其特征在于，包括：
获取题库，将虚拟场景的操作步骤与题库中的试题相关联；
获取虚拟场景中错误操作步骤，确定与错误操作步骤关联的相关试题，计算并更新相关试题的操作错误系数；
根据试题的k个属性建立目标函数
Figure FDA0003276887710000011
其中，wg表示第g个属性的权重，Eg表示组卷所有试题的第g个属性各取值所对应的试题期望分数与实际分数的偏差，所述K个属性中包括试题的错误操作系数；
以目标函数取最小值求解目标函数以生成试卷。
2.如权利要求1所述的结合虚拟教学的智能组卷方法，其特征在于，获取虚拟场景中错误操作步骤，确定与错误操作步骤关联的相关试题，计算并更新相关试题的操作错误系数，包括：
获取虚拟场景中错误操作步骤并提取操作错误信息，所述操作错误信息包括操作错误的时间点；
计算相关试题的操作错误系数
Figure FDA0003276887710000012
其中，T1表示当前组卷时间，T2表示与当前组卷时间最接近的对应相关试题的操作步骤的操作错误时间，P为预设的时间量度。
3.如权利要求1所述的结合虚拟教学的智能组卷方法，其特征在于，所述试题的K个属性分别为错误操作系数、区分度、认知层次、试题难度系数，目标函数
Figure FDA0003276887710000013
且
Figure FDA0003276887710000014
其中，qg表示第g个属性的取值分为qg个区间，
Figure FDA0003276887710000015
表示第g个属性的取值处于第p个区间时对应的组卷试题的期望分数，Egp表示第g个属性的取值处于第p个区间时对应的组卷试题的实际分数。
4.如权利要求3所述的结合虚拟教学的智能组卷方法，其特征在于，对于区分度、认知层次、试题难度系数属性，qg个区间对应的试题分数呈高斯分布。
5.如权利要求1所述的结合虚拟教学的智能组卷方法，其特征在于，以目标函数取最小值求解目标函数以生成试卷，包括：根据遗产算法求解目标函数以生成试卷。
6.如权利要求5所述的结合虚拟教学的智能组卷方法，其特征在于，根据遗产算法求解目标函数以生成试卷包括：
根据组卷的题型约束条件、题量约束条件、试卷总分约束条件从题库中试题，生成N套满足约束条件的试卷，完成种群的初始化；
将目标函数转化为适应度函数，计算种群个体的适应度，将适应度值高的个体遗传至下一代；
自种群中不放回的抽取两个试卷，随机选择试卷中两个相邻的试题与另一试卷中的同类型题目进行交叉；
对个体中的每道题有特定概率从数据库的题库中随机抽取一个同类题目进行替换；
计算所有个体的适应度并比较，判断适应度最大的试卷的适应度值是否达到目标值或者是否达到最大迭代次数，若是则输出适应度最大的试卷，反之则进行新一轮迭代。
7.如权利要求6所述的结合虚拟教学的智能组卷方法，其特征在于，将目标函数转化为适应度函数，包括：通过改进型界限构造法将目标函数转换为适应度函数。
8.一种结合虚拟教学的智能组卷系统，其特征在于，包括：
关联单元，用于将虚拟场景的操作步骤与题库中的试题相关联；
操作错误系数计算单元，用于获取虚拟场景中错误操作步骤，确定与错误操作步骤关联的相关试题，计算并更新相关试题的操作错误系数；
目标函数构建单元，用于根据试题的k个属性建立目标函数
Figure FDA0003276887710000021
Figure FDA0003276887710000031
其中，wg表示第g个属性的权重，Eg表示组卷所有试题的第g个属性各取值所对应的试题期望分数与实际分数的偏差，所述K个属性中包括试题的错误操作系数；
求解单元，以目标函数取最小值求解目标函数以生成试卷。
CN202111120397.4A 2021-09-24 2021-09-24 一种结合虚拟教学的智能组卷方法与系统 Pending CN113870634A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111120397.4A CN113870634A (zh) 2021-09-24 2021-09-24 一种结合虚拟教学的智能组卷方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111120397.4A CN113870634A (zh) 2021-09-24 2021-09-24 一种结合虚拟教学的智能组卷方法与系统

Publications (1)

Publication Number Publication Date
CN113870634A true CN113870634A (zh) 2021-12-31

Family

ID=78993765

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111120397.4A Pending CN113870634A (zh) 2021-09-24 2021-09-24 一种结合虚拟教学的智能组卷方法与系统

Country Status (1)

Country Link
CN (1) CN113870634A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114971202A (zh) * 2022-04-29 2022-08-30 国网浙江省电力有限公司杭州市临安区供电公司 一种配网智慧调度方法及系统
CN116431800A (zh) * 2023-03-03 2023-07-14 广州秒可科技有限公司 考试界面的生成方法、设备和可读存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105355111A (zh) * 2015-12-02 2016-02-24 华中师范大学 基于学情分析的课后强化学习系统
CN105719208A (zh) * 2016-01-19 2016-06-29 江苏海事职业技术学院 海事故障检修考试系统
CN105824896A (zh) * 2016-03-14 2016-08-03 成都爱易佰网络科技有限公司 一种基于知识点的多维度智能组卷系统及方法
CN106897767A (zh) * 2017-03-03 2017-06-27 盐城工学院 自动组卷方法及装置
CN107844898A (zh) * 2017-10-26 2018-03-27 湖南考神信息科技有限责任公司 一种学习的评价方法和评价系统
CN107909520A (zh) * 2017-11-02 2018-04-13 浙江工商大学 基于试题相关性的出卷方法和装置
CN110533974A (zh) * 2018-05-24 2019-12-03 中国移动通信集团有限公司 一种智能组卷方法、系统和计算机可读存储介质
US20200394535A1 (en) * 2019-06-14 2020-12-17 Baidu Online Network Technology (Beijing) Co., Ltd. Method and apparatus for recommending test question, and intelligent device
CN112131407A (zh) * 2020-09-29 2020-12-25 四川宇德中创信息科技有限公司 一种基于知识图谱的智能组卷系统及方法
CN112669006A (zh) * 2020-12-28 2021-04-16 广东国粒教育技术有限公司 一种基于学生知识点诊断的智能组卷的方法
CN113360631A (zh) * 2021-05-26 2021-09-07 医声医事(北京)科技有限公司 一种智能组卷方法及装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105355111A (zh) * 2015-12-02 2016-02-24 华中师范大学 基于学情分析的课后强化学习系统
CN105719208A (zh) * 2016-01-19 2016-06-29 江苏海事职业技术学院 海事故障检修考试系统
CN105824896A (zh) * 2016-03-14 2016-08-03 成都爱易佰网络科技有限公司 一种基于知识点的多维度智能组卷系统及方法
CN106897767A (zh) * 2017-03-03 2017-06-27 盐城工学院 自动组卷方法及装置
CN107844898A (zh) * 2017-10-26 2018-03-27 湖南考神信息科技有限责任公司 一种学习的评价方法和评价系统
CN107909520A (zh) * 2017-11-02 2018-04-13 浙江工商大学 基于试题相关性的出卷方法和装置
CN110533974A (zh) * 2018-05-24 2019-12-03 中国移动通信集团有限公司 一种智能组卷方法、系统和计算机可读存储介质
US20200394535A1 (en) * 2019-06-14 2020-12-17 Baidu Online Network Technology (Beijing) Co., Ltd. Method and apparatus for recommending test question, and intelligent device
CN112131407A (zh) * 2020-09-29 2020-12-25 四川宇德中创信息科技有限公司 一种基于知识图谱的智能组卷系统及方法
CN112669006A (zh) * 2020-12-28 2021-04-16 广东国粒教育技术有限公司 一种基于学生知识点诊断的智能组卷的方法
CN113360631A (zh) * 2021-05-26 2021-09-07 医声医事(北京)科技有限公司 一种智能组卷方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨清林: "基于遗传算法的智能组卷考试系统的设计与实现", 《中国优秀硕士学位论文全文数据库-信息科技辑》, 15 August 2020 (2020-08-15), pages 27 - 35 *
王友仁等: "模拟电子技术试题库智能组卷算法研究与系统实现", 《电气电子教学学报》, vol. 26, no. 01, 29 February 2004 (2004-02-29), pages 85 - 89 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114971202A (zh) * 2022-04-29 2022-08-30 国网浙江省电力有限公司杭州市临安区供电公司 一种配网智慧调度方法及系统
CN116431800A (zh) * 2023-03-03 2023-07-14 广州秒可科技有限公司 考试界面的生成方法、设备和可读存储介质
CN116431800B (zh) * 2023-03-03 2023-11-03 广州秒可科技有限公司 考试界面的生成方法、设备和可读存储介质

Similar Documents

Publication Publication Date Title
CN104765842B (zh) 一种最佳学习方案推送方法及系统
CN112700688B (zh) 一种智能课堂教学辅助系统
CN111274411A (zh) 课程推荐方法、装置、电子设备及可读存储介质
CN109598995A (zh) 基于贝叶斯知识跟踪模型的智能教学系统
CN113870634A (zh) 一种结合虚拟教学的智能组卷方法与系统
CN113851020A (zh) 一种基于知识图谱的自适应学习平台
CN111242267A (zh) 在线考试的组卷方法和组卷装置
CN113808698A (zh) 计算机化社会适应训练方法及系统
CN114429212A (zh) 智能学习知识能力跟踪方法、电子设备及存储介质
CN116361697A (zh) 一种基于异构图神经网络模型的学习者学习状态预测方法
Rizopoulos Book review: Max Kuhn and Kjell Johnson. Applied Predictive Modeling. New York, Springer
CN111898803B (zh) 一种习题预测方法、系统、设备及存储介质
Costa et al. Customized Pedagogical Recommendation Using Automated Planning for Sequencing Based on Bloom's Taxonomy
Chen et al. Research on Effective Strategies of “Curriculum Civics and Politics” in English Teaching in Higher Vocational Colleges in the Internet Era
CN114943276A (zh) 基于树型注意力机制的深度知识追踪方法
Liu Exploring the blended learning model of music teaching skills for teacher trainees based on teacher training professional certification in the context of big data
Wahyono et al. Optimization of Random Forest with Genetic Algorithm for Determination of Assessment
CN117520527B (zh) 答疑对话数据生成方法、系统、电子设备和可读存储介质
Sonamthiang et al. Discovering hierarchical patterns of students' learning behavior in intelligent tutoring systems
CN117743699B (zh) 一种基于dkt与汤普森采样算法的习题推荐方法及系统
DeMonbrun et al. Emphasizing professional skills and professional values: Investigating the role of faculty's gender and departmental gender diversity
Yan Based on the application of contextual teaching method in the rule of law education strategy and the cultivation of college students’ awareness of the rule of law
Teodorov et al. Correlation analysis of educational data mining by means a postprocessor’s tool
Liu Some Statistical and Data Challenges When Building Early-Stage Digital Experimentation and Measurement Capabilities
Padmi et al. Developing Novice Students' Initial Conception of Sample

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: 20211231