CN114037571A - 试题扩充方法及相关装置、电子设备和存储介质 - Google Patents

试题扩充方法及相关装置、电子设备和存储介质 Download PDF

Info

Publication number
CN114037571A
CN114037571A CN202111257803.1A CN202111257803A CN114037571A CN 114037571 A CN114037571 A CN 114037571A CN 202111257803 A CN202111257803 A CN 202111257803A CN 114037571 A CN114037571 A CN 114037571A
Authority
CN
China
Prior art keywords
question
test
test question
questions
target
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
CN202111257803.1A
Other languages
English (en)
Inventor
于俊
程礼磊
李雅洁
程知远
郑英帅
谭昶
丁德成
陈涛
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.)
Nanjing Qiancui Intelligent Technology Service Co ltd
iFlytek Co Ltd
Original Assignee
Nanjing Qiancui Intelligent Technology Service Co ltd
iFlytek 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 Nanjing Qiancui Intelligent Technology Service Co ltd, iFlytek Co Ltd filed Critical Nanjing Qiancui Intelligent Technology Service Co ltd
Priority to CN202111257803.1A priority Critical patent/CN114037571A/zh
Publication of CN114037571A publication Critical patent/CN114037571A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06Q10/06395—Quality analysis or management

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Technology (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本申请公开了一种试题扩充方法及相关装置、电子设备和存储介质，其中，试题扩充方法包括：获取试题库及其试题属性信息；其中，试题库包括若干参考试题，且试题属性信息包括参考试题所属的题型和考察的知识点；分别获取参考试题的试题特征表示和质量评估结果；选择题型作为目标题型，选择知识点作为目标知识点，并将属于目标题型且考察目标知识点的参考试题，作为目标试题；基于目标试题的试题特征表示、质量评估结果和试题属性信息，生成属于目标题型并考察目标知识点的扩充试题。上述方案，能够提升试题扩充的广度。

Description

试题扩充方法及相关装置、电子设备和存储介质
技术领域
本申请涉及信息技术领域，特别是涉及一种试题扩充方法及相关装置、电子设备和存储介质。
背景技术
近年来，随着教育信息化进程的不断推进，越来越多的信息技术、网络技术涌入教育教学的环节中，使得教育发生着重大的革新。在此其中，试题作为教育过程中重要一环，受到格外关注。例如，在升学考试时，试题往往作为“校验鉴定”知识水平的重要指标之一，而在日常学习时，试题又通常作为“加强巩固”知识点的重要手段之一，如此种种，不一而足。
然而，受限于试题领域、知识点更新等因素，在现实场景中，通常会出现试题资源匮乏的情况。例如，在诸如职业技能考试等领域中，试题资源通常较少，而无法满足训练、受测之用；或者，在将原来相对生僻的知识点列为重点考察的知识点时，涉及该知识点的试题也通常较少。总而言之，诸多场景均存在试题扩充的需求。有鉴于此，如何提升试题扩充的广度成为亟待解决的问题。
发明内容
本申请主要解决的技术问题是提供一种试题扩充方法及相关装置、电子设备和存储介质，能够提升试题扩充的广度。
为了解决上述技术问题，本申请第一方面提供了一种试题扩充方法，包括：获取试题库及其试题属性信息；其中，试题库包括若干参考试题，且试题属性信息包括参考试题所属的题型和考察的知识点；分别获取参考试题的试题特征表示和质量评估结果；选择题型作为目标题型，选择知识点作为目标知识点，并将属于目标题型并考察目标知识点的参考试题，作为目标试题；基于目标试题的试题特征表示、质量评估结果和试题属性信息，生成属于目标题型并考察目标知识点的扩充试题。
为了解决上述技术问题，本申请第二方面提供了一种试题扩充装置，包括：第一获取模块、第二获取模块、选择模块和生成模块，第一获取模块，用于获取试题库及其试题属性信息；其中，试题库包括若干参考试题，且试题属性信息包括参考试题所属的题型和考察的知识点；第二获取模块，用于分别获取参考试题的试题特征表示和质量评估结果；选择模块，用于选择题型作为目标题型，选择知识点作为目标知识点，并将属于目标题型并考察目标知识点的参考试题，作为目标试题；生成模块，用于基于目标试题的试题特征表示、质量评估结果和试题属性信息，生成属于目标题型并考察目标知识点的扩充试题。
为了解决上述技术问题，本申请第三方面提供了一种电子设备，包括相互耦接的存储器和处理器，存储器中存储有程序指令，处理器用于执行程序指令以实现上述第一方面中的试题扩充方法。
为了解决上述技术问题，本申请第四方面提供了一种计算机可读存储介质，存储有能够被处理器运行的程序指令，程序指令用于实现上述第一方面中的试题扩充方法。
上述方案，获取试题库及其试题属性信息，且试题库包括若干参考试题，试题属性信息包括参考试题所属的题型和考察的知识点，在此基础上，分别获取参考试题的试题特征表示和质量评估结果，并选择题型作为目标题型，选择知识点作为目标知识点，以及将属于目标题型且考察目标知识点的参考试题，作为目标试题，从而基于目标试题的试题特征表示、质量评估结果和试题属性信息，生成属于目标题型并考察目标知识点的扩充试题，即能够通过明确期望的目标题型和目标知识点，结合属于目标题型并考察目标知识点的目标试题，参考目标试题的试题特征表示、质量评估结果以及试题属性信息来生成期望的扩充试题，能够跨题型生成考察目标知识点的试题，故能够大大提升试题扩充的广度。
附图说明
图1是本申请试题扩充方法一实施例的流程示意图；
图2是认知诊断模型一实施例的框架示意图；
图3是本申请试题扩充方法另一实施例的流程示意图；
图4是本申请试题扩充装置一实施例的框架示意图；
图5是本申请电子设备一实施例的框架示意图；
图6是本申请计算机可读存储介质一实施例的框架示意图。
具体实施方式
下面结合说明书附图，对本申请实施例的方案进行详细说明。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本申请。
本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。
请参阅图1，图1是本申请试题扩充方法一实施例的流程示意图。
具体而言，可以包括如下步骤：
步骤S11：获取试题库及其试题属性信息。
本公开实施例中，试题库包括若干参考试题，且试题属性信息包括参考试题所属的题型和考察的知识点。
在一个实施场景中，试题库可以根据具体应用场景进行设置。例如，在职业技能考试的应用场景中，试题库可以包括职业技能试题；或者，在升学考试的应用场景中，试题库可以包括升学考试试题。其他场景可以以此类推，在此不再一一举例。
在一个实施场景中，可以从至少一种来源获取参考试题，并将从至少一种来源获取到的参考试题的集合，作为试题库。以职业技能考试的应用场景为例，至少一种来源可以包括但不限于：职业技能考试真题、培训机构等自编的模拟题/练习题等，在此不做限定。其他场景可以以此类推，在此不再一一举例。
在一个实施场景中，参考试题可以标注有其所考察的知识点，以与数学相关的应用场景为例，所标注的知识点可以包括但不限于：“三角函数”、“幂函数”、“立体几何”等，其他场景可以以此类推，在此不再一一举例。此外，需要说明的是，每个参考试题所考察的知识点可以不止一个，如参考试题可以仅考察一个知识点，当然，参考试题也可以考察两个知识点、三个知识点、四个知识点等，在此不做限定。
在一个实施场景中，参考试题也可能未标注其所考察的知识点，在此情况下，为了获取参考试题的试题属性信息，可以利用字段过滤、神经网络、知识图谱等方式对参考试题进行识别，得到参考试题所考察的知识点。
在一个具体的实施场景中，以字段过滤为例，可以预先为各个知识点设置关键词，如可以为“三角函数”设置关键词“正切”、“余切”、“正弦”、“余弦”等，并将参考试题分别与各个知识点的关键词进行匹配，若匹配结果满足预设条件，则可以认为参考试题考察该知识点。预设条件可以根据实际需要进行设置，如可以设置为包括匹配得到的关键词的数量大于预设阈值(如，1个、2个等)。
在一个具体的实施场景中，以神经网络为例，可以预先训练一个识别模型，识别模型可以包括但不限于：卷积神经网络、长短期记忆网络、BERT(Bidirectional EncoderRepresentation from Transformers，即双向Transformer的Encoder)等，在此不做限定。在此基础上，可以将参考试题输入识别模型进行识别，得到其考察若干预设知识点的预测概率值，则可以将预测概率值满足预设条件的预设知识点，作为该参考试题所考察的知识点。预设条件可以根据实际需要进行设置，如可以设置为包括预测概率值高于预设阈值，或者预测概率值按照由大到小的顺序排序后位于前预设数值位(如，前2位、前3位)，或者预测概率值按照由大到小的顺序排序后位于前预设数值位以内且预测概率值高于预设阈值，在此不做限定。具体地，可以预先采集若干样本试题，且样本试题标注有其考察的样本知识点，并利用识别模型对样本试题进行识别，得到样本试题考察若干预设知识点的预测概率值，以及基于样本知识点，利用交叉熵损失函数处理预测概率值，得到识别模型的损失值，基于此，再利用损失值调整识别模型的网络参数。
在一个实施场景中，参考试题可以标注有其所属的提醒，如“选择题”、“填空题”、“解答题”等。
在一个实施场景中，参考试题也可能未标注其所属的题型。在此情况下，可以通过无监督以及自监督学习方式，根据题型标签(如，“选择题”、“填空题”、“解答题”)将参考试题根据试题内容进行聚类，得到参考试题所属的题型。例如，试题内容包含诸如“A、B、C、D”等选项的参考试题，经聚类之后，可以得到其所属的题型“选择题”；而试题内容包括诸如“”等下划线的参考试题，经聚类之后，可以得到其所属的题型“填空题”；而试题内容既不包括诸如“A、B、C、D”等选项，也不包括诸如“”等下划线，但包括诸如“求”、“请证明”等关键词的参考试题，经聚类之后，可以得到其所属的题型“解答题”。其他情况可以以此类推，在此不再一一举例。
步骤S12：分别获取参考试题的试题特征表示和质量评估结果。
在一个实施场景中，在参考试题包含中文文本模态的试题数据的情况下，可以基于词袋模型、word2vec、BERT等，提取试题数据的试题特征表示。具体提取过程，可以参阅词袋模型、word2vec、BERT等技术细节，在此不再赘述。需要说明的是，本公开实施例以及下述公开实施例中，提取到的各个表示均可以以向量形式予以表达，向量的具体维度在此不做限定。
在一个实施场景中，在参考试题包含英文符号模态的试题数据的情况下，可以预先构建的互译词典，并通过命名实体识别技术抽取出相关文本数据，以及通过词向量模型和序列预测完成对试题数据的特征提起，得到试题数据的试题特征表示。进一步地，还可以将英文符号模态的试题数据(如，英文单词、英文缩写、符号信息)与参考试题中对应的中文信息进行匹配，结合中文信息的试题特征表示和英文符号模态对应的试题特征表示，得到最终的试题特征表示。
在一个实施场景中，对于参考试题所涉及的知识点，可以基于one-hot表征方法、向量表征学习以及结合外部知识(知识概念文本、知识图谱)表征学习，得到知识点的试题特征表示。
在一个实施场景中，在参考试题包含图像模态的试题数据的情况下，可以根据具体的图像类别，采用不同提取方式提取出试题特征表示。
在一个具体的实施场景中，对于普通图像而言，可以采用诸如卷积神经网络等深度学习模型对试题数据进行特征提取，得到试题特征表示。
在一个具体的实施场景中，对于公式图像而言，可以采用STN(即SpotlightedTranscribing Network)将公式图像转换为Latex公式文本。例如，可以将
Figure BDA0003324655980000061
转换为Latex公式文本f(x)＝\frac{\sqrt{x-1}}{x-2}。在此基础上，再利用前述文本特征提取方式对公式文本进行特征提取，得到试题特征表示。
在一个具体的实施场景中，对于文本图像而言，即包含大量文本信息的图像而言，可以通过OCR(Optical Character Recognition，光学字符识别)技术提取文本图像中的文本数据，并利用前述文本特征提取方式对公式文本进行特征提取，得到试题特征表示。
在一个实施场景中，参考试题可以为异构试题，即参考试题可以包括其考察的知识点以及上述文本模态、图像模态、英文符号模态中至少一者，在此情况下，为了统一异构试题的特征表示，可以解析参考试题，得到若干种模态的试题数据，并采用与试题数据的模态对应的提取方式，得到试题数据的第一试题表示，具体提取过程，可以参阅前述相关描述，在此不再赘述。在此基础上，可以利用与试题数据的模态对应的嵌入参数对试题数据的第一试题表示进行转换，得到试题数据的第二试题表示。也就是说，不同模态的试题数据的第一试题表示可能在维度等方面存在表征差异，故为了统一表征，采用嵌入参数对第一试题表示进行转换，以统一各种模态分别对应的试题表征，并将若干种模态的试题数据的第二试题表示进行融合(如，求和、取平均、拼接等)，得到试题特征表示。需要说明的是，嵌入参数具体可以表示为包含若干元素的矩阵，且嵌入参数可以根据具体情况进行调整，具体可以参阅下述相关描述，在此暂不赘述。上述方式，通过解析参考试题，得到若干种模态的试题数据，并采用与试题数据的模态对应的提取方式，得到试题数据的第一试题表示，基于此利用与试题数据的模态对应的嵌入参数对试题数据的第一试题表示进行转换，得到试题数据的第二试题表示，从而将若干种模态的试题数据的第二试题表示进行融合，得到试题特征表示，故能够获取试题资源的广义表征，实现对异构试题的通用化表征。
在一个实施场景中，质量评估结果可以包括试题难度，在此情况下，可以基于若干受测对象分别解答参考试题的答题结果，获取参考试题的第一难度，并基于参考试题的若干结构文本，获取参考试题的第二难度，且若干结构文本可以包括：阅读文本、题干文本、选项文本，在此基础上，可以进一步结合第一难度和第二难度，得到试题难度。上述方式，通过从受测对象的答题结果和参考试题的自身信息两方面出发，共同评估参考试题的试题难度，有利于难度评估的准确性。
在一个具体的实施场景中，可以基于答题结果，获取参考试题的热度值和得分率，以及参考试题所属知识点的难度值，从而可以基于热度值、得分率和难度值，获取第一难度。为了便于描述，可以将第i个参考试题的热度值记为hoti，将第i个参考试题的得分率记为si，并将第i个参考试题所属知识点的难度值记为
Figure BDA0003324655980000071
则第i个参考试题的第一难度
Figure BDA0003324655980000072
可以表示为：
Figure BDA0003324655980000073
上述公式中，α、β为用于调节第一难度
Figure BDA0003324655980000074
的量纲，具体可以根据实际需要进行调整。例如，通过1/β可以调节热度值与得分率的值，具体可以用于调节热度值高得分率低且知识点的难度值低、热度值低得分率高且知识点的难度值高等极端情况下的试题难度预测结果(即第一难度
Figure BDA0003324655980000075
)。此外，热度值hoti可以通过统计第i个参考试题被受测对象选择的概率来衡量，如被受测对象选择的概率越大，表示参考试题越受欢迎，则热度值越高，反之被受测对象选择的概率越小，表示参考试题越不受欢迎，则热度值越低。而得分率si可以通过统计第i个参考试题被受测对象正确回答的概率来衡量，如受测对象正确回答的概率越大，表示参考试题的得分率越高，反之受测对象正确回答的概率越小，表示参考试题的得分率越低。进一步地，第i个参考试题所属知识点的难度值记为
Figure BDA0003324655980000081
可以通过诸如NeuralCDM等认知诊断模型来获取。可以预先收集少量的答题记录，且答题记录可以组织为：样本对象-样本试题-实际得分(如，正确或错误)。请结合参阅图2，图2是认知诊断模型一实施例的框架示意图。具体地，图2是NeuralCDM一实施例的框架示意图。如图2所示，A、B、D是经过数据学习的可训练参数，A表示所有样本对象的熟练度矩阵，与样本对象的对象表征(如图2所示的one-hot向量)相乘之后，可以得到该样本对象在知识点的熟练度。此外，Q表示知识点与样本试题的关联矩阵，可以预先由教研专家、资深教师等人工标注，与样本试题的试题表征(如图2所示的one-hot向量)相乘之后，可以得到该样本试题与知识点的相关度。B表示难度矩阵，D表示区分度矩阵，分别与样本试题的试题表征相乘之后，可以得到该样本试题所属知识点的难度，以及该样本试题的区分度hdisc(即区分不同水平的样本对象的能力)。在输入层，可以将熟练度减去难度之后，乘以区分度的结果，计算其与相关度的Hadamard积。之后再经过两个完整的连接层和一个输出层处理，得到预测得分，在此基础上，可以利用交叉熵损失函数处理预测得分与实际得分，得到认知诊断模型的损失值，再利用梯度下降等优化方式，基于损失值调整认知诊断模型的网络参数，如此循环直至收敛，即可得到优化之后的A、B、D等参数。在此基础上，对于第i个参考试题而言，可以直接利用其试题表征乘以参数B得到第i个参考试题所属知识点的难度值记为
Figure BDA0003324655980000082
关于认知诊断模型的具体处理过程，可以参阅NeuralCDM等模型的技术细节，在此不再赘述。
在一个具体的实施场景中，可以利用TACNN(即Test-aware Attention-basedConvolutional Neural Network)处理参考试题的若干结构文本，得到参考试题的第二难度。需要说明的是，阅读文本可以视为参考试题的题面(如，“已知……”)，题干文本可以视为参考试题的问题(如，“下面哪一项是正确的？”)，选项文本即为参考试题的选项(如，“A……B……C……D……”)。基于TACNN，根据阅读文本的难度贡献、题干文本的难度贡献(即问题的形式化表征难度标签)以及选项文本的难度贡献进行预测，可以得到第二难度
Figure BDA0003324655980000091
具体处理过程，可以参阅TACNN相关技术细节，在此不再赘述。
在一个具体的实施场景中，可以将第一难度和第二难度输入预测网络，预测得到试题难度；或者，也可以利用加权算子(如，加权求和、加权平均等)对第一难度和第二难度进行融合，得到试题难度。如前所述，为了便于描述，第i个参考试题的第一难度可以记为
Figure BDA0003324655980000092
第i个参考试题的第二难度可以记为
Figure BDA0003324655980000093
则第i个参考试题的试题难度Pi可以表示为：
Figure BDA0003324655980000094
上述公式中，σ表示权重参数，μ表示偏置项，f表示预测算子，通过预测网络可以优化和矫正单一难度预测算法得到的难度结果
Figure BDA0003324655980000095
和
Figure BDA0003324655980000096
有利于提升试题难度的准确性。
在一个具体的实施场景中，需要说明的是，在对难度评估的准确性要求相对宽松的情况下，也可以仅基于若干受测对象分别解答参考试题的答题结果，获取参考试题的试题难度，或者还可以仅基于参考试题的若干结构文本，获取参考试题的试题难度，在此不做限定。
在一个实施场景中，质量评估结果还可以包括试题区分度，试题区分度用于表示参考试题区分不同水平的受测对象的难易程度，如对于试题难度过高的试题而言，由于大家都不会做，故难以区分高水平对象和低水平对象，而对于试题难度过低的试题而言，由于大家都会做，故也难以区分高水平对象和低水平对象，所以对于试题难度过高或过低的参考试题而言，其区分度都较低。
在一个实施场景中，质量评估结果还可以包括试题相似度，试题相似度表示参考试题与同类试题之间的相似程度，且同类试题与参考试题属于相同知识点。具体地，可以基于试题特征表示，利用文本匹配、余弦相似度等计算方式，进行相似度计算。与此同时，还可以对参考试题的题型以及基本结构信息(主谓宾、直接提问原理、推理计算句式等)进行特征建模，具体可以采用诸如one-hot、N-gram、词袋模型等建模方式，得到补充特征表示，以辅助试题特征表示，进行相似度计算。
在一个实施场景中，质量评估结果除了可以包括前述试题难度、试题区分度和试题相似度之外，还可以包括诸如参考试题所属知识点的难度值、参考试题的得分率等中间结果，在此不做限定。
步骤S13：选择题型作为目标题型，选择知识点作为目标知识点，并将属于目标题型并考察目标知识点的参考试题，作为目标试题。
具体地，可以根据期望进行试题扩充的知识点、题型等选择目标题型以及目标知识点。仍以与数学相关的试题扩充场景为例，在发现与知识点“空间几何”相关的试题较少需要扩充的情况下，可以将知识点“空间几何”作为目标知识点，或者，在发现填空题较少的情况下，可以将题型“填空题”作为目标题型，从而可以选择属于目标题型“填空题”并考察目标知识点“空间几何”的参考试题作为目标试题。其他情况可以以此类推，在此不再一一举例。
步骤S14：基于目标试题的试题特征表示、质量评估结果和试题属性信息，生成属于目标题型并考察目标知识点的扩充试题。
在一个实施场景中，可以基于目标试题的试题特征表示和质量评估结果，提取目标试题的语法特征表示，再基于语法特征表示和试题属性信息，生成属于目标题型并考察目标知识点的第一扩充试题。上述方式，能够基于语法表征实现跨题型试题生成，有利于提升试题可读性，且由于在试题生成过程中，进一步结合试题属性信息，从而能够以试题属性为指导生成试题，有利于提升试题准确性。
在一个具体的实施场景中，属于目标题型且考察目标知识点的目标试题可能存在多个，在此情况下，可以获取所有目标试题的试题特征表示和质量评估结果，并利用NLP(即Natural Language Processing，自然语言处理)语义理解、句法分析等技术，提取得到语法特征表示。需要说明的是，语法特征表示可以包括但不限于：语言组织逻辑、行文结构框架等，在此不做限定。例如，对于目标题型为“解答题”来说，行文结构框架一般具有“已知……求解……”的特征，而对于目标题型为“选择题”来说，行为结构框架一般具有“请问以下哪一项……”的特征；或者，对于难度较大的试题而言，语言组织逻辑一般具有“语言晦涩”、“选项相似”等特征，其他情况可以以此类推，在此不再一一举例。此外，语法特征表示的具体提取过程，可以参阅NLP、句法分析等技术细节，在此不再赘述。故此，通过提取语法特征表示，能够有利于使后续生成的第一扩充试题在难度、区分度、相似度等质量方面，尽量贴近于目标试题，并在行文结构框架以及语言组织逻辑等方面也尽量贴近于目标试题，从而有利于提升第一扩充试题的准确性。
在一个具体的实施场景中，可以将语法特征表示和试题属性信息输入诸如RNN(Recurrent Neural Network，循环神经网络)等文本生成模型，得到第一扩充试题。具体生成过程，可以参阅诸如RNN等文本生成模型的技术细节，在此不再赘述。
在一个实施场景中，可以获取目标试题与其试题种类对应的试题结构信息，且试题种类用于表示目标试题为主观题或客观题，再基于实体结构信息，提取目标试题的结构特征表示，并基于目标试题的结构特征表示和质量评估结果，对目标试题进行主客观题转换，得到属于目标题型并考察目标知识点的第二扩充试题。上述方式，通过提取目标试题的结构特征表示，并结合目标试题的质量评估结果进行主客观题转换，能够在尽可能地维持目标试题的试题质量的前提下，进行主客观题转换，有利于提升主客观题转换的准确性。
在一个具体的实施场景中，在目标试题的试题种类为主观题的情况下，试题结构信息包括：题面、答案、知识点。具体地，题面即为主观题(如，解答题)完整的题目信息(如前述阅读文本、问题文本)，而答案即为主观题的题目解析。具体地，主观题可以包括但不限于：填空题、简答题、编程题等等，在此不做限定。
在一个具体的实施场景中，在目标试题的试题种类为客观题的情况下，试题结构信息包括：题面、答案、知识点、选项。具体地，题面即为主观题(如，选择题)完整的题目信息(如前述阅读文本、问题文本)，选项即表示题目的可能答案(如前述选项文本)，而答案即为主观题的题目解析。具体地，客观题可以包括但不限于：选择题、判断题等等，在此不做限定。需要说明的是，当客观题为判断题的情况下，试题结构信息中所包含的选项可以视为“对”和“错”两个选项。
在一个具体的实施场景中，具体可以基于质量评估结果以及结构特征信息等进行分析和表征，利用目标知识点的先验知识(如，与目标知识点相关联的其他知识点等)，结合一定的规则和策略(如，对选项和答案的文本内容的语义理解做替换等)，对目标试题进行分解重组，从而完成主客观题转换。例如，对于选择题“已知……，请问下面关于XX的选项哪一个是正确的？A……B……C……D……”而言，可以转换为解答题“已知……，请问如何求解XX”或者，对于解答题“已知……，请问如何求解XX”而言，可以结合其答案“通过某某公式，可以求解得到XX的结果为5”，转换为选择题“已知……，请问XX的结果为？A……B……C……D 5”。其他情况可以以此类推，在此不再一一举例。
上述方案，获取试题库及其试题属性信息，且试题库包括若干参考试题，试题属性信息包括参考试题所属的题型和考察的知识点，在此基础上，分别获取参考试题的试题特征表示和质量评估结果，并选择题型作为目标题型，选择知识点作为目标知识点，以及将属于目标题型且考察目标知识点的参考试题，作为目标试题，从而基于目标试题的试题特征表示、质量评估结果和试题属性信息，生成属于目标题型并考察目标知识点的扩充试题，即能够通过明确期望的目标题型和目标知识点，结合属于目标题型并考察目标知识点的目标试题，参考目标试题的试题特征表示、质量评估结果以及试题属性信息来生成期望的扩充试题，能够跨题型生成考察期望的知识点的试题，故能够大大提升试题扩充的广度。
请参阅图3，图3是本申请试题扩充方法另一实施例的流程示意图。
具体而言，可以包括如下步骤：
步骤S31：获取试题库及其试题属性信息。
本公开实施例中，试题库包括若干参考试题，且试题属性信息包括参考试题所属的题型和考察的知识点。具体可以参阅前述公开实施例中相关描述，在此不再赘述。
步骤S32：分别获取参考试题的试题特征表示和质量评估结果。
具体可以参阅前述公开实施例中相关描述，在此不再赘述。
步骤S33：选择题型作为目标题型，选择知识点作为目标知识点，并将属于目标题型并考察目标知识点的参考试题，作为目标试题。
具体可以参阅前述公开实施例中相关描述，在此不再赘述。
步骤S34：基于目标试题的试题特征表示、质量评估结果和试题属性信息，生成属于目标题型并考察目标知识点的扩充试题。
具体可以参阅前述公开实施例中相关描述，在此不再赘述。
步骤S35：获取扩充试题的试题特征表示和质量评估结果，并获取扩充试题的知识点覆盖度和试题完备度。
在一个实施场景中，获取扩充试题的试题特征表示和质量评估结果的具体过程，可以分别参阅前述获取参考试题的试题特征表示和质量评估结果的相关描述，在此不再赘述。
在一个实施场景中，可以获取扩充试题涉及知识点的数量，并基于该数量以及所有知识点的数量，计算得到扩充试题的知识点覆盖度。为了便于描述，第i个扩充试题涉及知识点可以记为ri，第i个扩充试题涉及知识点的数量可以记为sum(ri)，所有知识点的数量可以记为l，则第i个扩充试题的知识点覆盖度cdki可以表示为：
Figure BDA0003324655980000131
上述公式中，λ、θ均表示参数，其中，θ具体是在置信度α(一般为95％)的情况下预测得到的知识点个数，具体可以表示为：
Figure BDA0003324655980000132
上述公式中，S(·)是按知识点预测结果从大到小排序的函数，argmin表示取最小值。此外，根据不同知识点层级调整λ可以控制知识综合度对不同层级知识点的侧重程度对于扩充试题涉及到的知识点综合情况进行计算，得到知识点覆盖度。
在一个实施场景中，可以根据扩充试题的题型以及扩充试题的试题结构信息，评估扩充试题的试题完备度。例如，对于选择题等客观题而言，若其试题结构信息缺少题面、答案、知识点、选项中任一者，则可以表明其试题完备度缺失，类似地，对于解答题等主观题而言，若其试题结构信息缺少题面、答案、知识点中任一者，则可以表明其试题完备度缺失。
步骤S36：基于扩充试题的试题特征表示、质量评估结果、知识点覆盖度和试题完备度，分析扩充试题的最终质量分值。
具体地，可以基于扩充试题的试题特征表示和质量评估结果，并综合扩充试题的知识点覆盖度和试题完备度等结构性分析结果，对扩充试题进行最终的质量评价。例如，质量评估结果中区分度越高，最终质量分值越高，试题完备度越高，最终质量分值越高，知识点覆盖度越高，最终质量分值越高，以此类推，在此不再一一举例。
步骤S37：基于最终质量分值是否满足预设条件，采用不同策略优化扩充试题。
在一个实施场景中，响应于最终质量分值满足预设条件，可以将扩充试题作为参考试题纳入试题库，并重新执行上述分别获取参考试题的试题特征表示和质量评估结果的步骤以及后续步骤，从而能够在扩充试题的最终质量分值满足预设条件的情况下，循环迭代，以不断学习新的试题信息，巩固试题扩充方案的有效性。
在一个具体的实施场景中，预设条件可以设置为包括最终质量分值高于预设阈值，预设阈值可以根据实际需要进行设置。例如，在对试题扩充的质量要求较高的情况下，预设阈值可以设置地高一些，而在对试题扩充的质量要求相对宽松的情况下，预设阈值可以设置地适当低一些，在此不做限定。
在一个实施场景中，如前述公开实施例所述，试题特征表示基于嵌入参数得到的，则可以响应于最终质量分值不满足预设条件，调整嵌入参数，并重新执行前述分别获取参考试题的试题特征表示和质量评估结果的步骤以及后续步骤，从而能够在扩充试题的最终质量分值不满足预设条件的情况下，调整嵌入参数以重新进行试题特征表示的表达，如此循环迭代，能够充分且准确地学习试题信息，有利于提升试题扩充的准确性。此外，预设条件的具体设置方式可以参阅前述描述，在此不再赘述。
上述方案，获取扩充试题的试题特征表示和质量评估结果，并获取扩充试题的知识点覆盖度和试题完备度，再基于扩充试题的试题特征表示、质量评估结果、知识点覆盖度和试题完备度，分析扩充试题的最终质量分值，并通过扩充试题的试题特征表示、质量评估结果、知识点覆盖度和试题完备度，分析扩充试题的最终质量分值，以及基于最终质量分值是否满足预设条件，采用不同策略优化扩充试题，能够有利于形成试题资源的表征-质量评估-资源扩充-质量评估验证闭环验证。
请参阅图4，图4是本申请试题扩充装置40一实施例的框架示意图。试题扩充装置40包括：第一获取模块41、第二获取模块42、选择模块43和生成模块44，第一获取模块41，用于获取试题库及其试题属性信息；其中，试题库包括若干参考试题，且试题属性信息包括参考试题所属的题型和考察的知识点；第二获取模块42，用于分别获取参考试题的试题特征表示和质量评估结果；选择模块43，用于选择题型作为目标题型，选择知识点作为目标知识点，并将属于目标题型并考察目标知识点的参考试题，作为目标试题；生成模块44，用于基于目标试题的试题特征表示、质量评估结果和试题属性信息，生成属于目标题型并考察目标知识点的扩充试题。
上述方案，获取试题库及其试题属性信息，且试题库包括若干参考试题，试题属性信息包括参考试题所属的题型和考察的知识点，在此基础上，分别获取参考试题的试题特征表示和质量评估结果，并选择题型作为目标题型，选择知识点作为目标知识点，以及将属于目标题型且考察目标知识点的参考试题，作为目标试题，从而基于目标试题的试题特征表示、质量评估结果和试题属性信息，生成属于目标题型并考察目标知识点的扩充试题，即能够通过明确期望的目标题型和目标知识点，结合属于目标题型并考察目标知识点的目标试题，参考目标试题的试题特征表示、质量评估结果以及试题属性信息来生成期望的扩充试题，能够跨题型生成考察目标知识点的试题，故能够大大提升试题扩充的广度。
在一些公开实施例中，生成模块44包括语法提取子模块，用于基于目标试题的试题特征表示和质量评估结果，提取目标试题的语法特征表示；生成模块44包括第一扩充子模块，用于基于语法特征表示和试题属性信息，生成第一扩充试题。
因此，能够基于语法表征实现跨题型试题生成，有利于提升试题可读性，且由于在试题生成过程中，进一步结合试题属性信息，从而能够以试题属性为指导生成试题，有利于提升试题准确性。
在一些公开实施例中，生成模块44包括信息获取子模块，用于获取目标试题与其试题种类对应的试题结构信息；其中，试题种类用于表示目标试题为主观题或客观题；生成模块44包括结构表征子模块，用于基于试题结构信息，提取目标试题的结构特征表示；生成模块44包括第二扩充子模块，用于基于目标试题的结构特征表示和质量评估结果，对目标试题进行主客观题转换，得到属于目标题型并考察目标知识点的第二扩充试题。
因此，通过提取目标试题的结构特征表示，并结合目标试题的质量评估结果进行主客观题转换，能够在尽可能地维持目标试题的试题质量的前提下，进行主客观题转换，有利于提升主客观题转换的准确性。
在一些公开实施例中，主观题对应的试题结构信息包括：题面、答案、知识点；和/或，客观题对应的试题结构信息包括：题面、答案、知识点、选项。
因此，通过将主观题对应的试题结构信息设置为包括：题面、答案、知识点，将客观题对应的试题结构信息设置为包括：题面、答案、知识点、选项，能够有助于分别准确地描述主客观题的结构特征。
在一些公开实施例中，质量评估结果包括试题难度，第二获取模块42包括第一难度获取子模块，用于基于若干受测对象分别解答参考试题的答题结果，获取参考试题的第一难度；第二获取模块42包括第二难度获取子模块，用于基于参考试题的若干结构文本，获取参考试题的第二难度；其中，若干结构文本包括：阅读文本、题干文本、选项文本；第二获取模块42包括难度结合子模块，用于结合第一难度和第二难度，得到试题难度。
因此，通过从受测对象的答题结果和参考试题的自身信息两方面出发，共同评估参考试题的试题难度，有利于难度评估的准确性。
在一些公开实施例中，第一难度获取子模块包括难度参考单元，用于基于答题结果，获取参考试题的热度值和得分率，以及参考试题所属知识点的难度值；第一难度获取子模块包括难度计算单元，用于基于热度值、得分率和难度值，获取第一难度。
因此，通过获取参考试题所属知识点的难度值以及参考试题的热度值和得分率，从而结合这三者共同计算第一难度，有助于提升第一难度的准确性。
在一些公开实施例中，难度结合子模块具体用于将第一难度和第二难度输入预测网络，预测得到试题难度。
因此，通过将第一难度和第二难度输入预测网络，以预测得到试题难度，有助于通过预测网络可以优化和矫正单一难度预测算法得到的难度结果，有利于提升试题难度的准确性。
在一些公开实施例中，质量评估结果还包括：试题区分度、试题相似度中至少一者；其中，试题区分度用于表示参考试题区分不同水平的受测对象的难易程度，试题相似度表示参考试题与同类试题之间的相似程度，且同类试题与参考试题属于相同知识点。
因此，通过将质量评估结果设置为包括：试题区分度、试题相似度中至少一者，能够从多种维度来评估试题质量，有利于尽可能地提升试题质量的准确性。
在一些公开实施例中，试题扩充装置40还包括扩充校验模块，用于获取扩充试题的试题特征表示和质量评估结果，并获取扩充试题的知识点覆盖度和试题完备度；试题扩充装置40还包括分值分析模块，用于基于扩充试题的试题特征表示、质量评估结果、知识点覆盖度和试题完备度，分析扩充试题的最终质量分值；试题扩充装置40还包括试题优化模块，用于基于最终质量分值是否满足预设条件，采用不同策略优化扩充试题。
因此，获取扩充试题的试题特征表示和质量评估结果，并获取扩充试题的知识点覆盖度和试题完备度，再基于扩充试题的试题特征表示、质量评估结果、知识点覆盖度和试题完备度，分析扩充试题的最终质量分值，并通过扩充试题的试题特征表示、质量评估结果、知识点覆盖度和试题完备度，分析扩充试题的最终质量分值，以及基于最终质量分值是否满足预设条件，采用不同策略优化扩充试题，能够有利于形成试题资源的表征-质量评估-资源扩充-质量评估验证闭环验证。
在一些公开实施例中，试题优化模块包括第一优化子模块，用于响应于最终质量分值满足预设条件，将扩充试题作为参考试题纳入试题库，并结合前述各个模块重新执行分别获取参考试题的试题特征表示和质量评估结果的步骤以及后续步骤。
因此，能够在扩充试题的最终质量分值满足预设条件的情况下，循环迭代，以不断学习新的试题信息，巩固试题扩充方案的有效性。
在一些公开实施例中，试题特征表示是基于嵌入参数得到的；试题优化模块包括第二优化子模块，用于响应于最终质量分值不满足预设条件，调整嵌入参数，并结合前述各个模块重新执行分别获取参考试题的试题特征表示和质量评估结果的步骤以及后续步骤。
因此，能够充分且准确地学习试题信息，有利于提升试题扩充的准确性。此外，预设条件的具体设置方式可以参阅前述描述，在此不再赘述。
在一些公开实施例中，第二获取模块42包括试题解析子模块，用于解析参考试题，得到若干种模态的试题数据；第二获取模块42包括特征提取子模块，用于采用与试题数据的模态对应的提取方式，得到试题数据的第一试题表示；第二获取模块42包括表示转换子模块，用于利用与试题数据的模态对应的嵌入参数对试题数据的第一试题表示进行转换，得到试题数据的第二试题表示；第二获取模块42包括表示融合子模块，用于将若干种模态的试题数据的第二试题表示进行融合，得到试题特征表示。
因此，通过解析参考试题，得到若干种模态的试题数据，并采用与试题数据的模态对应的提取方式，得到试题数据的第一试题表示，基于此利用与试题数据的模态对应的嵌入参数对试题数据的第一试题表示进行转换，得到试题数据的第二试题表示，从而将若干种模态的试题数据的第二试题表示进行融合，得到试题特征表示，故能够获取试题资源的广义表征，实现对异构试题的通用化表征。
请参阅图5，图5是本申请电子设备50一实施例的框架示意图。电子设备50包括相互耦接的存储器51和处理器52，存储器51中存储有程序指令，处理器52用于执行程序指令以实现上述任一试题扩充方法实施例中的步骤。具体地，电子设备50可以包括但不限于：台式计算机、笔记本电脑、服务器、手机、平板电脑等等，在此不做限定。
具体而言，处理器52用于控制其自身以及存储器51以实现上述任一试题扩充方法实施例中的步骤。处理器52还可以称为CPU(Central Processing Unit，中央处理单元)。处理器52可能是一种集成电路芯片，具有信号的处理能力。处理器52还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器52可以由集成电路芯片共同实现。
上述方案，能够跨题型生成考察目标知识点的试题，故能够大大提升试题扩充的广度。
请参阅图6，图6是本申请计算机可读存储介质60一实施例的框架示意图。计算机可读存储介质60存储有能够被处理器运行的程序指令61，程序指令61用于实现上述任一试题扩充方法实施例中的步骤。
上述方案，能够跨题型生成考察目标知识点的试题，故能够大大提升试题扩充的广度。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (15)

1.一种试题扩充方法，其特征在于，包括：
获取试题库及其试题属性信息；其中，所述试题库包括若干参考试题，且所述试题属性信息包括所述参考试题所属的题型和考察的知识点；
分别获取所述参考试题的试题特征表示和质量评估结果；
选择所述题型作为目标题型，选择所述知识点作为目标知识点，并将属于所述目标题型并考察所述目标知识点的参考试题，作为目标试题；
基于所述目标试题的试题特征表示、质量评估结果和试题属性信息，生成属于所述目标题型并考察所述目标知识点的扩充试题。
2.根据权利要求1所述的方法，其特征在于，所述基于所述目标试题的试题特征表示、质量评估结果和试题属性信息，生成属于所述目标题型并考察所述目标知识点的扩充试题，包括：
基于所述目标试题的试题特征表示和质量评估结果，提取所述目标试题的语法特征表示；
基于所述语法特征表示和所述试题属性信息，生成第一扩充试题。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述目标试题与其试题种类对应的试题结构信息；其中，所述试题种类用于表示所述目标试题为主观题或客观题；
基于所述试题结构信息，提取所述目标试题的结构特征表示；
基于所述目标试题的结构特征表示和质量评估结果，对所述目标试题进行主客观题转换，得到属于所述目标题型并考察所述目标知识点的第二扩充试题。
4.根据权利要求3所述的方法，其特征在于，所述主观题对应的试题结构信息包括：题面、答案、知识点；
和/或，所述客观题对应的试题结构信息包括：题面、答案、知识点、选项。
5.根据权利要求1所述的方法，其特征在于，所述质量评估结果包括试题难度，所述试题难度的获取步骤包括：
基于若干受测对象分别解答所述参考试题的答题结果，获取所述参考试题的第一难度；以及，
基于所述参考试题的若干结构文本，获取所述参考试题的第二难度；其中，所述若干结构文本包括：阅读文本、题干文本、选项文本；
结合所述第一难度和第二难度，得到所述试题难度。
6.根据权利要求5所述的方法，其特征在于，所述基于若干受测对象分别解答所述参考试题的答题结果，获取所述参考试题的第一难度，包括：
基于所述答题结果，获取所述参考试题的热度值和得分率，以及所述参考试题所属知识点的难度值；
基于所述热度值、所述得分率和所述难度值，获取所述第一难度。
7.根据权利要求5所述的方法，其特征在于，所述结合所述第一难度和第二难度，得到所述试题难度，包括：
将所述第一难度和所述第二难度输入预测网络，预测得到所述试题难度。
8.根据权利要求5所述的方法，其特征在于，所述质量评估结果还包括：试题区分度、试题相似度中至少一者；
其中，所述试题区分度用于表示所述参考试题区分不同水平的所述受测对象的难易程度，所述试题相似度表示所述参考试题与同类试题之间的相似程度，且所述同类试题与所述参考试题属于相同所述知识点。
9.根据权利要求1所述的方法，其特征在于，方法还包括：
获取所述扩充试题的试题特征表示和质量评估结果，并获取所述扩充试题的知识点覆盖度和试题完备度；
基于所述扩充试题的试题特征表示、质量评估结果、知识点覆盖度和试题完备度，分析所述扩充试题的最终质量分值；
基于所述最终质量分值是否满足预设条件，采用不同策略优化所述扩充试题。
10.根据权利要求9所述的方法，其特征在于，所述基于所述最终质量分值是否满足预设条件，采用不同策略优化所述扩充试题，包括：
响应于所述最终质量分值满足所述预设条件，将所述扩充试题作为所述参考试题纳入所述试题库，并重新执行所述分别获取所述参考试题的试题特征表示和质量评估结果的步骤以及后续步骤。
11.根据权利要求9所述的方法，其特征在于，所述试题特征表示是基于嵌入参数得到的；所述基于所述最终质量分值是否满足预设条件，采用不同策略优化所述扩充试题，包括：
响应于所述最终质量分值不满足所述预设条件，调整所述嵌入参数，并重新执行所述分别获取所述参考试题的试题特征表示和质量评估结果的步骤以及后续步骤。
12.根据权利要求1所述的方法，其特征在于，所述试题特征表示的获取步骤包括：
解析所述参考试题，得到若干种模态的试题数据；
采用与所述试题数据的模态对应的提取方式，得到所述试题数据的第一试题表示；
利用与所述试题数据的模态对应的嵌入参数对所述试题数据的第一试题表示进行转换，得到所述试题数据的第二试题表示；
将所述若干种模态的试题数据的第二试题表示进行融合，得到所述试题特征表示。
13.一种试题扩充装置，其特征在于，包括：
第一获取模块，用于获取试题库及其试题属性信息；其中，所述试题库包括若干参考试题，且所述试题属性信息包括所述参考试题所属的题型和考察的知识点；
第二获取模块，用于分别获取所述参考试题的试题特征表示和质量评估结果；
选择模块，用于选择所述题型作为目标题型，选择所述知识点作为目标知识点，并将属于所述目标题型并考察所述目标知识点的参考试题，作为目标试题；
生成模块，用于基于所述目标试题的试题特征表示、质量评估结果和试题属性信息，生成属于所述目标题型并考察所述目标知识点的扩充试题。
14.一种电子设备，其特征在于，包括相互耦接的存储器和处理器，所述存储器中存储有程序指令，所述处理器用于执行所述程序指令以实现权利要求1至12任一项所述的试题扩充方法。
15.一种计算机可读存储介质，其特征在于，存储有能够被处理器运行的程序指令，所述程序指令用于实现权利要求1至12任一项所述的试题扩充方法。
CN202111257803.1A 2021-10-27 2021-10-27 试题扩充方法及相关装置、电子设备和存储介质 Pending CN114037571A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111257803.1A CN114037571A (zh) 2021-10-27 2021-10-27 试题扩充方法及相关装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111257803.1A CN114037571A (zh) 2021-10-27 2021-10-27 试题扩充方法及相关装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN114037571A true CN114037571A (zh) 2022-02-11

Family

ID=80135532

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111257803.1A Pending CN114037571A (zh) 2021-10-27 2021-10-27 试题扩充方法及相关装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN114037571A (zh)

Similar Documents

Publication Publication Date Title
Lalor et al. Building an evaluation scale using item response theory
CN110264091B (zh) 学生认知诊断方法
CN111144191B (zh) 字体识别方法、装置、电子设备及存储介质
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
CN111209384A (zh) 基于人工智能的问答数据处理方法、装置及电子设备
CN114913729B (zh) 一种选题方法、装置、计算机设备和存储介质
CN111460101B (zh) 知识点类型的识别方法、装置及处理器
CN114999006A (zh) 基于不确定性估计的多模态情感分析方法、装置及设备
CN110852071B (zh) 知识点检测方法、装置、设备及可读存储介质
Maulana et al. Optimizing University Admissions: A Machine Learning Perspective
CN114722892A (zh) 基于机器学习的持续学习方法及装置
CN117789971B (zh) 基于文本情感分析的心理健康智能评测系统及方法
CN113283488B (zh) 一种基于学习行为的认知诊断方法及系统
Firoozi et al. Using active learning methods to strategically select essays for automated scoring
CN116541507A (zh) 一种基于动态语义图神经网络的视觉问答方法及系统
Jasim et al. Characteristics of data mining by classification educational dataset to improve student’s evaluation
CN116361744A (zh) 一种面向学习过程性评价的学习者认知追踪方法及系统
CN114037571A (zh) 试题扩充方法及相关装置、电子设备和存储介质
US20210358317A1 (en) System and method to generate sets of similar assessment papers
CN114155957A (zh) 文本确定方法、装置、存储介质及电子设备
CN112288145A (zh) 基于多视角认知诊断的学生成绩预测方法
CN112785039A (zh) 一种试题作答得分率的预测方法及相关装置
CN117556381B (zh) 一种面向跨学科主观试题的知识水平深度挖掘方法及系统
CN112861757B (zh) 基于文本语义理解的笔录智能审核方法及电子设备
Marinho et al. Predicting Item Response Theory Parameters Using Question Statements Texts

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