CN116578695B - 一种基于dfs算法的出题组卷方法及系统 - Google Patents
一种基于dfs算法的出题组卷方法及系统 Download PDFInfo
- Publication number
- CN116578695B CN116578695B CN202310832077.4A CN202310832077A CN116578695B CN 116578695 B CN116578695 B CN 116578695B CN 202310832077 A CN202310832077 A CN 202310832077A CN 116578695 B CN116578695 B CN 116578695B
- Authority
- CN
- China
- Prior art keywords
- examination
- question
- questions
- test
- paper
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005096 rolling process Methods 0.000 title abstract description 5
- 238000012360 testing method Methods 0.000 claims abstract description 162
- 238000004458 analytical method Methods 0.000 claims abstract description 32
- 230000006978 adaptation Effects 0.000 claims description 17
- 230000007717 exclusion Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000013100 final test Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 7
- 238000013138 pruning Methods 0.000 abstract description 7
- 230000003044 adaptive effect Effects 0.000 abstract description 4
- 238000007405 data analysis Methods 0.000 description 7
- 238000004804 winding Methods 0.000 description 4
- 230000001174 ascending effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
- G06F16/337—Profile generation, learning or modification
-
- 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
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于DFS算法的出题组卷方法及系统，所述方法包括：获取题库中试题的属性数据；获取用户设置的考试大纲及出题组卷条件；根据考试大纲进行考点、知识点分析；根据试题的等级标签数据及属性数据、考点、知识点分析结果和出题组卷条件对题库中的试题进行关联匹配分析，初步判断当前题库是否满足组卷要求；若当前题库满足组卷要求，以考点、知识点分析结果及出题组卷条件为约束，采用DFS算法对题库中的相关试题进行随机抽取组卷，生成在线试卷。本发明以递归算法为基础算法，并以考试大纲和出题组卷条件的约束内容作为剪枝条件，对题库中试题数据进行适配解析，能够增大试题抽取的随机性，以降低重复率，提高试卷生成质量。
Description
技术领域
本发明属于智能教育的技术领域，具体涉及一种基于DFS算法的出题组卷方法及系统。
背景技术
随着5G时代的来临，教育不再局限于教室，线上教育的方式已成为一种趋势。如何让学生能够掌握和运用学习的知识和技能是教育的目标所在，老师在线下课堂中能够直观地了解到学生的学习情况，并且通过布置课后了解学生对于知识的掌握程度，能够有针对性地帮助不同的同学解决他们所遇到的困难。而在线教育一直以来都存在缺乏能够客观真实反映学生学习状况和掌握程度的方法的问题。
伴随在线教育的蓬勃发展，在线作业、在线考试、随堂测评已经广泛进入了学生的日常学习生活中，尤其职业教育网络学院、成人教育学院已经将部分学科课程考试进行了线上考试的常态化组织。在线考试已经广泛的应用在中高职院校学生的课程考试中。在线作业、在线考试实施的前提之一是题库建设与出题工作，如果有重复试题或者知识点相似度比较高的试题在同一张试卷中，试卷质量往往就不会太高。在生成试卷时如何可以比较准确的判定试题是否是需考核的考点及知识点，或者是否是与其他试题相似度比较高的试题，是一个技术难点。
公开号为CN113934839A的发明专利公开了一种根据知识点进行组卷的方法，其将题库中的所有试题进行分类处理，以建立一个结构体，根据所述试卷配置信息，从各个题型组中的各个试题组中选取若干个试题进行组合，以生成试卷。其实现了根据题目知识点来进行组卷，一定程度上避免了随机选取试题进行组卷而产生的出题考核知识点相差巨大的情况发生。但是这种方式仅适用于出题量不大、约束较少的情况，若出题量大、约束条件较多时，该方法所产生的试卷往往重复率比较高。
发明内容
有鉴于此，本发明提出了一种基于DFS算法的出题组卷方法及系统，用于解决出题约束条件多而导致组卷重复率高的问题。
本发明第一方面，公开一种基于DFS算法的出题组卷方法，所述方法包括：
获取题库中试题的属性数据；
获取用户设置的考试大纲及出题组卷条件；
根据考试大纲进行考点、知识点分析；
根据试题的属性数据、考点、知识点分析结果和出题组卷条件对题库中的试题进行关联匹配分析，初步判断当前题库是否满足组卷要求；
若当前题库满足组卷要求，以考点、知识点分析结果及出题组卷条件为约束，采用DFS算法对题库中的相关试题进行随机抽取组卷，生成在线试卷。
在以上技术方案的基础上，优选的，所述试题的属性数据包括试题所属题型、重要程度、考点、知识点及考核单元，所述重要程度根据试题的正确率判断得到。
在以上技术方案的基础上，优选的，所述考试大纲用于进行考点、知识点设置；
所述出题组卷条件包括以下要求：
指定组成试卷的各个考核单元的考试分值；
指定各题型的考核单元范围和考试分值；所述题型包括单项选择题、多项选择题、判断题；
指定各试题重要程度的考试分值；所述重要程度分为基础题、中等题和困难题；
每个考核单元下的知识点只能出现一次；
每次组卷结果随机；
生成试卷的时间要求在设定的时间范围内。
在以上技术方案的基础上，优选的，所述根据试题的等级标签数据及属性数据、考试大纲和出题组卷条件对题库中的试题进行关联匹配分析，初步判断当前题库是否满足组卷要求具体包括：
根据题型、知识点、重要程度、考核单元从题库中匹配出相关试题；
将题库中匹配出的相关试题分别按照考核单元、题型和重要程度进行一级分类；所述一级分类为对应的考核单元分类、题型分类或重要程度分类；
分别将对应的一级分类按照知识点进行二级分类；所述二级分类为知识点分类；
判断一级分类下各个二级分类对应的试题分值的最大值之和是否大于出题组卷条件中对应的一级分类所要求的考试分值；若否，则当前题库不满足组卷要求；若是，根据各个二级分类对应的试题分值判断在每个考核单元下的知识点只能出现一次的要求下，能否组合成出题组卷条件中对应的一级分类所要求的考试分值；
若考核单元、题型和重要程度三方面都满足出题组卷条件中所要求的考试分值，则判定当前题库满足组卷要求。
在以上技术方案的基础上，优选的，所述采用DFS算法对题库中的相关试题进行随机抽取组卷具体包括：
采用DFS算法对题库中的相关试题进行随机抽取和适配解析；每次抽取到的试题若符合考试大纲和出题组卷条件的要求，将符合要求的试题放入结果集存储；每次抽取到的试题若不符合考试大纲和出题组卷条件的要求，将不符合要求的试题放入排除集；
当结果集的试题总分值和要求的考试总分值相同时，返回组卷成功信息并退出；当结果集的试题总分值和要求的考试总分值不同或超过设定时间还没有组卷成功时，返回组卷失败信息并退出。
在以上技术方案的基础上，优选的，所述根据剪枝条件，采用DFS算法对题库中的相关试题进行随机抽取和适配解析具体包括：
创建一个容器作为排除集，创建一个容器作为结果集；
计算题库中匹配出的相关试题的一级分类下各个二级分类对应的试题分值的最大值之和与出题组卷条件中对应的一级分类所要求的考试分值的差值，按照差值大小对对应的一级分类排序，分别得到排序后的题型分类、重要程度分类和考核单元分类；
根据排序后的题型分类、重要程度分类和考核单元分类，按照题型-知识点-重要程度-考核单元的层级从匹配出的相关试题中搜索与考试大纲和出题组卷条件适配的试题。
在以上技术方案的基础上，优选的，所述从按照题型-知识点-重要程度-考核单元的层级从匹配出的相关试题中搜索与考试大纲和出题组卷条件适配的试题具体包括：
循环排序后的题型分类，如果结果集中的题型分值小于出题组卷条件所要求的题型考试分值，查找属于对应的题型、分数小于等于可增长的题型分值、不是排除集的试题且不是选择过的知识点的试题作为题型适配结果；所述可增长的题型分值为出题组卷条件所要求的题型的考试分值减去结果集中的题型分值；
在题型适配结果中循环排序后的重要程度分类，查找属于对应的重要程度且分数小于等于可增长的重要程度分值的试题作为重要程度适配结果；所述可增长的重要程度分值为出题组卷条件所要求的重要程度的考试分值减去结果集中的重要程度分值；
在重要程度适配结果中循环排序后的考核单元分类，查找属于对应的考核单元且分数小于等于可增长的考核单元分值的试题作为考核单元适配结果；所述可增长的考核单元分值为出题组卷条件所要求的考核单元考试分值减去结果集中的考核单元分值；
在按照题型-知识点-重要程度-考核单元的层级搜索的过程中，当遇到走不通的层级时，回溯到上一层级并记录走不通的层级的信息，剪掉和此层级相同种类的层级并将对应的试题加入排除集，保留层级最深的试题适配结果；
在考核单元适配结果中随机选择一道试题作为最终适配结果加入结果集。
本发明第二方面，公开一种基于DFS算法的出题组卷系统，所述系统包括：
数据获取模块：用于获取题库中试题的等级标签数据及属性数据；
条件设置模块：用于获取用户设置的考试大纲及出题组卷条件；
预处理模块：用于根据考试大纲进行考点、知识点分析；根据试题的属性数据、考点、知识点分析结果和出题组卷条件对题库中的试题进行关联匹配分析，初步判断当前题库是否满足组卷要求；
出题组卷模块：用于在当前题库满足组卷要求的情况下，以考点、知识点分析结果及出题组卷条件为约束，采用DFS算法对题库中的相关试题进行随机抽取组卷，生成在线试卷。
本发明第三方面，公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如本发明第一方面所述的方法。
本发明第四方面，公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使计算机实现如本发明第一方面所述的方法。
本发明相对于现有技术具有以下有益效果：
1）本发明以递归算法为基础算法，并以考试大纲和出题组卷条件的约束内容作为剪枝条件，对题库中试题数据进行适配解析，可以快速从题库中查找满足各种约束条件的试题组成试卷，且抽取试题的随机性较强，可以减少组卷的重复率，使每次组卷结果不同，提高组卷质量；
2）本发明将粗略匹配的相关试题分别按照考核单元、题型和重要程度进行一级分类，并分别将对应的一级分类按照知识点进行二级分类，将二级分类的知识点对应的试题分值与出题组卷条件所要求的考试分值进行比较，初步判断出当前题库是否满足组卷要求，可避免无效查找；
3）本发明采用DFS算法对题库中的试题进行递归抽取和适配解析，依次循环查找与考试大纲和出题组卷条件所要求的题型、知识点、重要程度和、考核单元相适配的试题来组成试卷，可以通过剪枝条件快速排除不符合要求的试题，利用回溯和递归的算法思想，快速查找深度最高、最符合要求的试题，提高查找准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的基于DFS算法的出题组卷方法流程图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
请参阅图1，本发明提出一种基于DFS算法的出题组卷方法，所述方法包括：
S1、获取题库中试题的属性数据。
本发明的题库为预先准备的题库，题库中试题带有等级标签，以电子商务专业网店运营推广课程为例，题库1级标签为电子商务专业，2级标签为网店运营推广课程，3级考点为供应链数据分析，4级知识点为物流数据指标，因此本次组卷是在2级标签下获取试题。
题库中的试题自带属性数据，试题的属性数据包括试题所属题型、重要程度、考点、知识点、考核单元及试题的正确率。其中，重要程度根据试题的正确率来划分，重要程度分为基础题、中等题和困难题。
S2、获取用户设置的考试大纲及出题组卷条件，根据考试大纲进行考点、知识点分析。
用户输入考试大纲及出题组卷条件，其中，考试大纲用于进行考点、知识点设置。出题组卷条件包括以下要求：
（1）指定组成试卷的各个考核单元的考试分值；
（2）指定各题型的考核单元范围和考试分值；所述题型包括单项选择题、多项选择题、判断题；
（3）指定各试题重要程度的考试分值；
（4）每个考核单元下的知识点只能出现一次；
（5）每次组卷结果随机；
（6）生成试卷的时间要求在设定的时间范围内。
例如：考核单元A需出题50分，B也需出题50分；题型1需要出题20分且考核单元范围为A，题型2出题20分且考核单元范围为B，题型3出题60分且考核单元范围为（A，B）；重要程度X需出题70分，重要程度Y需出题30分等等。
具体的，以电子商务专业网店运营推广课程组卷为例，可设置营销活动策略制定与实施、营销活动效果分析与优化、供应链数据分析的三个考核单元分值分别为40:40:20；每个考核单元的考核试题类型包含单选题、多选题、判断题；且每个单元下的不同知识点只能出现一次；并可以通过默认分值或手动设置各题的重要程度以及分值。
获取以上设置的电子商务专业网店推广课程出题组卷条件，其中供应链数据分析考核单元的分值为20分，且考核单元内包含物流数据指标、采购数据分析流程、采购流程等知识点，还可以进行知识点分级，其中采购流程为核心(X级)，采购数据分析流程为一般(Y级)，物流数据指标为辅助(Z级)。
在题库中，关于物流数据指标这一知识点内包括多种题型，例如：
单选题：
（）是一个极为重要的库存管理指标，是有效衡量库存滚动变化的量化标准，也是用来衡量库存可持续销售时间的追踪指标。（中等题）
A:库存周转率 B:库存动销率 C:库销比 D:库存天数
多选题：
下列可以用来快速高效的识别异常值的方法是（）。（困难题）
A:箱线图 B:分类 C:回归 D:聚类
判断题：
库销比的销售周期一般以三个月为单位。（）（基础题）
A:正确 B:错误
S3、根据试题的属性数据、考点、知识点分析结果和出题组卷条件对题库中的试题进行关联匹配分析，初步判断当前题库是否满足组卷要求。
判断当前题库是否满足组卷要求，除了要满足考试大纲要求，还要满足出题组卷条件。
在出题组卷条件中，除了随机性和时间是另外维度需要处理的要求，剩下的要求是需要在组卷中特别注意的。因此本发明从考核单元、题型、重要程度、知识点四个方面入手，先粗略判断下组卷的可行性。
其中，因为知识点要求是只能选一个，和考核单元、题型、重要程度三个要求明显不是一个维度，这三个都是要求总分多少分，故以考核单元、题型、重要程度三个为大标准来划分，判断时按知识点这个小标准来分类。
步骤S3具体包括如下分步骤：
S31、根据考点、知识点从题库中匹配出相关试题。
步骤S2已经根据考试大纲进行了考点、知识点分析，根据考点和知识点可从题库中匹配出与本次组卷的考点、知识点相关的所有试题。
S32、将题库中匹配出的相关试题分别按照考核单元、题型和重要程度进行一级分类。分别将对应的一级分类按照知识点进行二级分类。
其中，一级分类为对应的考核单元分类、题型分类或重要程度分类，二级分类为知识点分类。
S33、初步判断当前题库是否满足组卷要求。
具体的，判断一级分类下各个二级分类对应的试题分值最大值之和是否大于出题组卷条件中对应的一级分类所要求的考试分值；若否，则当前题库不满足组卷要求；若是，根据各个二级分类对应的试题分值判断在每个考核单元下的知识点只能出现一次的要求下，能否组合成出题组卷条件中对应的一级分类所要求的考试分值；
考核单元和重要程度的判断同理。
若考核单元、题型和重要程度三方面都满足出题组卷条件中所要求的考试分值，则判定当前题库满足组卷要求。
以题型为例：将题库分为题型1类，题型2类等，分类时需要注意题型限定了考核单元，不在考核单元的题目需要排除掉。
再按知识点分类，题库1类里共五类知识点，题库2类里有三类知识点。
取出题库1类每类知识点的单个题目分值最大值，相加后比较是否大于该题型要求的分值，如果最大值小于要求分值，则直接返回未通过。比如：题库1类中五类知识点的最大值分别为1，2，0.5，0.5，2，各个最大值之和为6，但是出题组卷条件中要求题型1类出题8分，那么永远都出不来结果，所以未通过。
如果最大值之和大于等于要求分值，输入按知识点分类的分值，每个知识点内选取1个或者不选，查看是否能组合成所要求的分值。假设题库1类中五类知识点都仅有1道题，每道题都是2分，其最大值之和为10分，如果要求为9分，虽然题目分之和10分大于要求分9分，但是因为每道题都是两分，所以组合不出来奇数9分，此类情况也需要判断不通过。例如：知识点1的题目分值分别为（3，2，2），知识点2的题目分值分别为（0.5，1），在满足每个知识点只能选取1个或者不选的要求下，无法组合出所要求的1.5分的分值。
S4、若当前题库满足组卷要求，以考点、知识点分析结果及出题组卷条件为约束，采用DFS算法对题库中的相关试题进行递归抽取组卷，生成在线试卷。
若当前题库满足组卷要求，正式开始出题组卷。以步骤S2中设置的营销活动策略制定与实施、营销活动效果分析与优化、供应链数据分析的考核单元分值分别为40:40:20为例，将考核单元的题型按照分值比例以及难易程度占比等条件进行试题组卷并生成试卷。
本发明使用DFS算法（Depth First Search，深度优先搜索算法）对题库中的相关试题进行递归抽取，逐一判断抽取的试题是否符合要求。
既然用到递归，需要先确定退出条件：当结果集的分值和要求分值相同时，返回成功组卷并退出；当遍历完整个题库或组卷时间超过额定时间都无法成功时，返回失败组卷并退出。
步骤S4具体包括如下步骤：
S41、采用DFS算法对题库中的相关试题进行递归抽取和适配解析。
步骤S41具体包括如下分步骤：
S411、创建一个容器作为结果集，额外创建一个容器作为排除集。
本发明的排除集用于记录不满足考试大纲和出题组卷条件的试题，以及已随机选择过的当前层级下的其他试题，这些都作为DFS算法的剪枝条件，防止重复挑选，保证每个考核单元下的知识点只出现一次，同时还满足题型、重要程度、考核单元的分值要求。
S412、计算题库中相关试题的一级分类下各个二级分类对应的试题分值的最大值之和与出题组卷条件中对应的一级分类所要求的考试分值的差值，按照差值大小对对应的一级分类排序，分别得到排序后的题型分类、重要程度分类和考核单元分类。
例如：题型1中不同知识点最大总分和要求分值相差5分，题型2中不同知识点最大总分和要求分值相差10分，若按照升序排序，则题型1排在前面。具体升序排列还是降序排列可自行设置。
本发明在正式组卷时对循环的顺序进行优化，可以提高组卷效率。
S413、根据排序后的题型分类、重要程度分类和考核单元分类，按照题型-知识点-重要程度-考核单元的层级从匹配出的相关试题中搜索与考试大纲和出题组卷条件适配的试题。
具体的，首先循环排序后的题型分类，如果结果集中的题型分值小于出题组卷条件所要求的题型考试分值，说明需要接着加题，查找属于对应的题型、分数小于等于可增长的题型分值、不是禁忌区的试题且不是选择过的知识点的试题作为题型适配结果；所述可增长的题型分值为出题组卷条件所要求的题型的考试分值减去结果集中的题型分值；
然后在题型适配结果中循环排序后的重要程度分类，查找属于对应的重要程度且分数小于等于可增长的重要程度分值的试题作为重要程度适配结果；所述可增长的重要程度分值为出题组卷条件所要求的重要程度的考试分值减去结果集中的重要程度分值；
最后在重要程度适配结果中循环排序后的考核单元分类，查找属于对应的考核单元且分数小于等于可增长的考核单元分值的试题作为考核单元适配结果；所述可增长的考核单元分值为出题组卷条件所要求的考核单元考试分值减去结果集中的考核单元分值。
在按照题型-知识点-重要程度-考核单元的层级搜索的过程中，当遇到走不通的层级时，回溯到上一层级并记录走不通的层级的信息，剪掉和此层级节点相同种类的层级，保留层级最深的试题适配结果。
本发明通过步骤S413从匹配出的相关试题中递归抽取试题，依次按照题型-知识点-重要程度-考核单元的层级判断每次抽取的试题是否满足考试大纲和出题组卷条件，查找满足条件的试题。将不符合考试大纲和出题组卷条件的要求的试题放入排除集。
S42、若考核单元适配结果中的试题均符合考试大纲和出题组卷条件的要求，随机选择一道试题的试题放入结果集存储，对于已随机选择过的当前层级下的其他试题，均放入排除集。
S43、当结果集的试题总分值和要求的考试总分值相同时，返回组卷成功信息并退出。当结果集的试题总分值和要求的考试总分值不同或超过设定时间还没有组卷成功时，返回组卷失败信息并退出。
本发明采用DFS算法对题库中的试题进行递归抽取和适配解析，依次循环查找与考试大纲和出题组卷条件所要求的题型、知识点、重要程度和、考核单元相适配的试题来组成试卷，可以通过剪枝条件快速排除不符合要求的试题，利用回溯和递归的算法思想，快速查找深度最高、最符合要求的试题，提高查找效率。最终生成在线试卷进行考核，每次测评出题均从试题库中选取试题，并对学生考核最终成绩进行数据分析。
本发明以递归算法为基础算法，并以考试大纲和出题组卷条件的约束内容作为剪枝条件，对题库中试题数据进行适配解析，可以快速从题库中查找满足各种约束条件的试题组成试卷，能够增强试卷抽取的随机性，从而解决试题重复率高、组卷质量低下的问题，提高用户体验。
与上述方法实施例相对应，本发明还提出一种基于DFS算法的出题组卷系统，所述系统包括：
数据获取模块：用于获取题库中试题的等级标签数据及属性数据；
条件设置模块：用于获取用户设置的考试大纲及出题组卷条件；
预处理模块：用于根据考试大纲进行考点、知识点分析；根据试题的属性数据、考点、知识点分析结果和出题组卷条件对题库中的试题进行关联匹配分析，初步判断当前题库是否满足组卷要求；
出题组卷模块：用于在当前题库满足组卷要求的情况下，以考点、知识点分析结果及出题组卷条件为约束，采用DFS算法对题库中的相关试题进行随机抽取组卷，生成在线试卷。
以上系统实施例和方法实施例是一一对应的，系统实施例简述之处请参阅方法实施例即可。
本发明还公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现本发明前述的方法。
本发明还公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现本发明实施例所述方法的全部或部分步骤。所述存储介质包括：U盘、移动硬盘、只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的系统实施例仅仅是示意性的，其中所述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，即可以分布到多个网络单元上。本领域普通技术人员在不付出创造性的劳动的情况下，可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
以上所述仅为本发明的较佳实施方式而已，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、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于DFS算法的出题组卷方法，其特征在于，所述方法包括：
获取题库中试题的属性数据；所述试题的属性数据包括试题所属题型、重要程度、考点、知识点及考核单元；
获取用户设置的考试大纲及出题组卷条件；
根据考试大纲进行考点、知识点分析；
根据试题的属性数据、考点、知识点分析结果和出题组卷条件对题库中的试题进行关联匹配分析，初步判断当前题库是否满足组卷要求；所述根据试题的等级标签数据及属性数据、考试大纲和出题组卷条件对题库中的试题进行关联匹配分析，初步判断当前题库是否满足组卷要求具体包括：
根据题型、知识点、重要程度、考核单元从题库中匹配出相关试题；
将题库中匹配出的相关试题分别按照考核单元、题型和重要程度进行一级分类；所述一级分类为对应的考核单元分类、题型分类或重要程度分类；
分别将对应的一级分类按照知识点进行二级分类；所述二级分类为知识点分类；
判断一级分类下各个二级分类对应的试题分值的最大值之和是否大于出题组卷条件中对应的一级分类所要求的考试分值；若否，则当前题库不满足组卷要求；若是，根据各个二级分类对应的试题分值判断在每个考核单元下的知识点只能出现一次的要求下，能否组合成出题组卷条件中对应的一级分类所要求的考试分值；
若考核单元、题型和重要程度三方面都满足出题组卷条件中所要求的考试分值，则判定当前题库满足组卷要求；
若当前题库满足组卷要求，以考点、知识点分析结果及出题组卷条件为约束，采用DFS算法对题库中的相关试题进行随机抽取组卷，生成在线试卷；
所述采用DFS算法对题库中的相关试题进行随机抽取组卷具体包括：
采用DFS算法对题库中的相关试题进行随机抽取和适配解析；在适配解析的过程中，将符合考试大纲和出题组卷条件的要求的试题放入结果集存储；将不符合考试大纲和出题组卷条件的要求的试题放入排除集；当结果集的试题总分值和要求的考试总分值相同时，返回组卷成功信息并退出；当结果集的试题总分值和要求的考试总分值不同或超过设定时间还没有组卷成功时，返回组卷失败信息并退出；
采用DFS算法对题库中的相关试题进行随机抽取和适配解析具体包括：
创建一个容器作为排除集，创建一个容器作为结果集；
计算题库中匹配出的相关试题的一级分类下各个二级分类对应的试题分值的最大值之和与出题组卷条件中对应的一级分类所要求的考试分值的差值，按照差值大小对对应的一级分类排序，分别得到排序后的题型分类、重要程度分类和考核单元分类；
根据排序后的题型分类、重要程度分类和考核单元分类，按照题型-知识点-重要程度-考核单元的层级从匹配出的相关试题中搜索与考试大纲和出题组卷条件适配的试题；
所述按照题型-知识点-重要程度-考核单元的层级从匹配出的相关试题中搜索与考试大纲和出题组卷条件适配的试题具体包括：
循环排序后的题型分类，如果结果集中的题型分值小于出题组卷条件所要求的题型考试分值，查找属于对应的题型、分数小于等于可增长的题型分值、不是排除集的试题且不是选择过的知识点的试题作为题型适配结果；所述可增长的题型分值为出题组卷条件所要求的题型的考试分值减去结果集中的题型分值；
在题型适配结果中循环排序后的重要程度分类，查找属于对应的重要程度且分数小于等于可增长的重要程度分值的试题作为重要程度适配结果；所述可增长的重要程度分值为出题组卷条件所要求的重要程度的考试分值减去结果集中的重要程度分值；
在重要程度适配结果中循环排序后的考核单元分类，查找属于对应的考核单元且分数小于等于可增长的考核单元分值的试题作为考核单元适配结果；所述可增长的考核单元分值为出题组卷条件所要求的考核单元考试分值减去结果集中的考核单元分值；
在按照题型-知识点-重要程度-考核单元的层级搜索的过程中，当遇到走不通的层级时，回溯到上一层级并记录走不通的层级的信息，剪掉和此层级相同种类的层级并将对应的试题加入排除集，保留层级最深的试题适配结果；
在考核单元适配结果中随机选择一道试题作为最终试题适配结果加入结果集。
2.根据权利要求1所述的基于DFS算法的出题组卷方法，其特征在于，所述重要程度根据试题的正确率判断得到。
3.根据权利要求1所述的基于DFS算法的出题组卷方法，其特征在于，所述考试大纲用于进行考点、知识点设置；
所述出题组卷条件包括以下要求：
指定组成试卷的各个考核单元的考试分值；
指定各题型的考核单元范围和考试分值；所述题型包括单项选择题、多项选择题、判断题；
指定各试题重要程度的考试分值；所述重要程度分为基础题、中等题和困难题；
每个考核单元下的知识点只能出现一次；
每次组卷结果随机；
生成试卷的时间要求在设定的时间范围内。
4.使用权利要求1~3任一项所述方法的一种基于DFS算法的出题组卷系统，其特征在于，所述系统包括：
数据获取模块：用于获取题库中试题的等级标签数据及属性数据；
条件设置模块：用于获取用户设置的考试大纲及出题组卷条件；
预处理模块：用于根据考试大纲进行考点、知识点分析；根据试题的等级标签数据及属性数据、考点、知识点分析结果和出题组卷条件对题库中的试题进行关联匹配分析，初步判断当前题库是否满足组卷要求；
出题组卷模块：用于在当前题库满足组卷要求的情况下，以考点、知识点分析结果及出题组卷条件为约束，采用DFS算法对题库中的相关试题进行随机抽取组卷，生成在线试卷。
5.一种电子设备，其特征在于，包括：至少一个处理器、至少一个存储器、通信接口和总线；
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如权利要求1~3任一项所述的方法。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机指令，所述计算机指令使计算机实现如权利要求1~3任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310832077.4A CN116578695B (zh) | 2023-07-07 | 2023-07-07 | 一种基于dfs算法的出题组卷方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310832077.4A CN116578695B (zh) | 2023-07-07 | 2023-07-07 | 一种基于dfs算法的出题组卷方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116578695A CN116578695A (zh) | 2023-08-11 |
| CN116578695B true CN116578695B (zh) | 2023-09-22 |
Family
ID=87536108
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310832077.4A Active CN116578695B (zh) | 2023-07-07 | 2023-07-07 | 一种基于dfs算法的出题组卷方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116578695B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1932795A (zh) * | 2006-10-10 | 2007-03-21 | 青岛中科恒信信息技术有限公司 | 考试试卷智能命题组卷系统 |
| CN107316258A (zh) * | 2017-06-26 | 2017-11-03 | 深圳市斯维尔科技股份有限公司 | 无纸化竞赛方法、装置、终端及计算机可读存储介质 |
| CN109918406A (zh) * | 2019-01-27 | 2019-06-21 | 浙江工业大学 | 一种基于最大团算法的自动等质组卷方法及组卷系统 |
| CN110377689A (zh) * | 2019-06-17 | 2019-10-25 | 深圳壹账通智能科技有限公司 | 试卷智能生成方法、装置、计算机设备及存储介质 |
| 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 |
| 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 |
| CN113934839A (zh) * | 2021-10-22 | 2022-01-14 | 武汉华工智云科技有限公司 | 一种根据知识点进行组卷的方法、设备及存储介质 |
-
2023
- 2023-07-07 CN CN202310832077.4A patent/CN116578695B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1932795A (zh) * | 2006-10-10 | 2007-03-21 | 青岛中科恒信信息技术有限公司 | 考试试卷智能命题组卷系统 |
| CN107316258A (zh) * | 2017-06-26 | 2017-11-03 | 深圳市斯维尔科技股份有限公司 | 无纸化竞赛方法、装置、终端及计算机可读存储介质 |
| 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 |
| CN109918406A (zh) * | 2019-01-27 | 2019-06-21 | 浙江工业大学 | 一种基于最大团算法的自动等质组卷方法及组卷系统 |
| CN110377689A (zh) * | 2019-06-17 | 2019-10-25 | 深圳壹账通智能科技有限公司 | 试卷智能生成方法、装置、计算机设备及存储介质 |
| 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 |
| CN113934839A (zh) * | 2021-10-22 | 2022-01-14 | 武汉华工智云科技有限公司 | 一种根据知识点进行组卷的方法、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 大学物理试题库智能组卷随机抽取法的改进;桂阳;王修信;农京辉;梁冬冬;杨福强;莫晟;;广西物理(第02期);全文 * |
| 智能组卷的HSK自适应分级考试系统;张梦凡;王昌达;张文莉;;信息技术(第09期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116578695A (zh) | 2023-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rahman et al. | Educational data mining to support programming learning using problem-solving data | |
| CN111651676B (zh) | 基于能力模型进行职业推荐的方法、装置、设备和介质 | |
| Rahman et al. | Impact of practical skills on academic performance: A data-driven analysis | |
| Jayakodi et al. | An automatic classifier for exam questions in Engineering: A process for Bloom's taxonomy | |
| CN113535963B (zh) | 一种长文本事件抽取方法、装置、计算机设备及存储介质 | |
| CN112632989B (zh) | 一种合同文本中风险信息的提示方法、装置及设备 | |
| CN116263782A (zh) | 一种基于题库的智能组卷方法、系统及存储介质 | |
| CN111597356B (zh) | 智能化教育知识图谱构建系统与方法 | |
| CN110781681B (zh) | 一种基于翻译模型的初等数学应用题自动求解方法及系统 | |
| CN110866089A (zh) | 基于同义多语境分析的机器人知识库构建系统及方法 | |
| CN113887930A (zh) | 问答机器人健康度评估方法、装置、设备及存储介质 | |
| CN115374259A (zh) | 一种问答数据挖掘方法、装置及电子设备 | |
| CN116578695B (zh) | 一种基于dfs算法的出题组卷方法及系统 | |
| CN117195046A (zh) | 异常文本识别方法及相关设备 | |
| CN115757775B (zh) | 基于文本蕴含的无触发词文本事件检测方法及系统 | |
| CN116644148A (zh) | 关键词识别方法、装置、电子设备及存储介质 | |
| Bu et al. | Using microtasks to crowdsource DBpedia entity classification: A study in workflow design | |
| CN115146073A (zh) | 一种跨空间语义知识注入的试题知识点标记方法及应用 | |
| KR102406961B1 (ko) | 자가 지도학습을 통한 데이터 특성 학습 방법 및 가짜 정보 판별 방법 | |
| CN114971962A (zh) | 学生作业的评价方法、装置、电子设备及存储介质 | |
| CN107274077A (zh) | 课程先后序计算方法和设备 | |
| CN113255836A (zh) | 一种作业数据处理方法、装置、计算机设备和存储介质 | |
| CN112579666A (zh) | 智能问答系统和方法及相关设备 | |
| CN112487183A (zh) | 一种标签化的试题知识点分类方法及系统 | |
| CN112989001A (zh) | 一种问答处理方法、装置、介质及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address |
Address after: Unit 202, 3rd Floor, Building 9, West District, No. 9 Linglong Road, Haidian District, Beijing, 100000 RMB Patentee after: Zhongjiao Changxiang Technology Co.,Ltd. Country or region after: China Address before: No. 55, Building 119, No. 12 Zhongguancun South Street, Haidian District, Beijing, 100080 Patentee before: Chinese Education Changxiang (Beijing) Technology Co.,Ltd. Country or region before: China |
|
| CP03 | Change of name, title or address |