CN1794277A - 物流培训网络试题难度和区分度量化的实现方法 - Google Patents
物流培训网络试题难度和区分度量化的实现方法 Download PDFInfo
- Publication number
- CN1794277A CN1794277A CNA2005101211138A CN200510121113A CN1794277A CN 1794277 A CN1794277 A CN 1794277A CN A2005101211138 A CNA2005101211138 A CN A2005101211138A CN 200510121113 A CN200510121113 A CN 200510121113A CN 1794277 A CN1794277 A CN 1794277A
- Authority
- CN
- China
- Prior art keywords
- degree
- examination
- distinguish
- coefficient
- difficulty factor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种物流培训网络试题难度和区分度量化的实现方法,包括建立试题数据库,将试题及其属性录入试题数据库的步骤,还包括:a、对试题数据库的数据库结构增加难度和区分度两种属性并赋以初始值;b、对试题数据库中的试题抽样测验,利用抽样测验的结果计算试题的难度系数和区分度系数,取代该试题难度属性和区分度属性的初始值;c、根据每次考试的结果计算试题的难度系数和区分度系数,并与该试题当前的难度系数和区分度系数进行迭代,更新该试题当前的难度系数和区分度系数。本发明方法能够不断提高试题难度和区分度的精确性。在组卷时,设置难度和区分度的过滤条件从试题数据库选题,能够提高组卷的科学性和合理性,提高试卷质量。
Description
技术领域
本发明涉及物流培训考试领域,特别是一种物流培训网络试题难度和区分度量化的实现方法,根据这种方法可以对物流网络培训试题的难度和区分度的属性进行量化,便于物流培训考试组卷的科学性和合理性,达到物流培训测量的目的。
背景技术
在物流培训教育中,考试是对学生学习效果检验的最直接,也是最传统的一种方式。考务管理是培训教育的重要组成部分。试题库的设计是考务管理的重要组成部分,而传统人工出卷方式作为教学的重要环节已不适应当前现代培训教育的需要。
传统的手工出卷过程中,存在着不少弊端:
1、出现不必要的重复劳动,造成人力资源及时间上的浪费;
2、缺乏科学的衡量、评价及统一试卷难易度、试卷质量的有效手段;
3、存在自教自考,考前漏题的情况;
4、试卷容易出现错漏缺现象,引起不必要的麻烦;
5、传统试卷对难度和区分度的设置一般只是按等级来分类,缺乏对难度和区分度的量化分析,不够准确。
培训机构每年都需要花大量的人力、物力及财力去组织教师出考卷。并且科学性、合理性、公平性及保密性不能达到用户的要求。在经费的使用上大量的重复投入,这种情况下,利用计算机管理试题的数据信息及自动替代教师常规的手工出卷,减少人力,物力及财力上的消耗以成为广大的培训机构及管理部门急需解决的问题。
发明内容
本发明的目的是提供一种物流培训网络试题难度和区分度量化的实现方法,根据这种方法可以对物流网络培训试题的难度和区分度的属性进行量化,通过设置难度和区分度的过滤条件进行选题,提高物流培训考试组卷的科学性和合理性,提高试卷的质量,达到测量的目的。
物流培训领域中,如何保证物流培训考试的客观性,取决于考试的几个相互联系的基本因素,这就是考试题目要具有比较高的区分度和比较适当的难度。只有保证了考试的这些要求,就可以做到将想要考试的内容测出来,把被评价者区分开,这也就达到了测量的目的。可以说,保证考试是科学的和有价值的,必须关心考试题目区分度以及考试的难度。从测量结果来说,考试的科学性指的就是测评结果能准确地反映被测对象的真实情况,达到测量的目的,即测试题目具有合适的难度及较高的区分度。
本发明是通过以下技术方案实现的,本发明物流培训网络试题难度和区分度量化的实现方法包括建立试题数据库,并将试题及其属性录入所述试题数据库,还包括如下步骤:
a、对所述试题数据库的数据库结构增加难度和区分度两种属性,其值分别用难度系数和区分度系数表示,并对所述试题数据库中的每道试题的难度属性和区分度属性赋以初始值;
b、对所述试题数据库中的试题进行抽样测验,利用抽样测验的结果计算试题的难度系数和区分度系数,取代该试题难度属性和区分度属性的初始值;
c、根据每次考试的结果计算试题的难度系数和区分度系数,用该难度系数和区分度系数与该试题当前的难度系数和区分度系数进行迭代,更新该试题当前的难度系数和区分度系数,从而不断提高试题难度和区分度的精确性。
通过设置难度和区分度的过滤条件从所述试题数据库选题,从而达到提高组卷的科学性和合理性,提高试卷质量的目的。
本发明对试题数据库的数据库结构增加难度和区分度属性,对每道试题的难度和区分度进行量化,并在每次考试后,根据考试结果计算组卷试题的难度系数和区分度系数,然后与该试题现有的难度系数和区分度系数进行迭代,从而能够不断提高试题难度和区分度的精确性。在组卷时,设置难度和区分度的过滤条件从试题数据库选题,能够提高组卷的科学性和合理性,提高试卷质量。
附图说明
图1为本发明中试题难度与区分度的迭代过程的示意图。
具体实施方式
下面结合附图对本发明作进一步说明。
本发明物流培训网络试题难度和区分度量化的实现方法包括建立试题数据库,试题数据库的数据库结构至少还应该包括知识点、认知分类、分数和时间等重要属性,并将试题及其属性录入所述试题数据库,还包括如下步骤:
a、对所述试题数据库的数据库结构增加难度和区分度两种属性,其值分别用难度系数和区分度系数表示,并对所述试题数据库中的每道试题的难度属性和区分度属性赋以初始值;
b、对所述试题数据库中的试题进行抽样测验,利用抽样测验的结果计算试题的难度系数和区分度系数,取代该试题难度属性和区分度属性的初始值;
c、根据每次考试的结果计算试题的难度系数和区分度系数,用该难度系数和区分度系数与该试题当前的难度系数和区分度系数进行迭代,更新该试题当前的难度系数和区分度系数,从而不断提高试题难度和区分度的精确性。
通过设置难度和区分度的过滤条件,从所述试题数据库选题,从而达到提高组卷的科学性和合理性,提高试卷质量的目的。
试题难度指完成试题时所遇到的困难程度,简单的说难度是指试题的难易程度。难度系数是试题难易程度的量化,用符号P表示。
根据试题的计分方式不同可以把试题分为客观题和主观题,客观题只有答对与答错之分。其难度系数在本质上是正确作答人数的比例,也叫通过率,其计算公式为
其中,P为该题目难度系数,R为答对该题目的被试者人数,N为被试者总数;由于客观题存在猜测的可能性,可以对难度系数进行矫正。矫正的计算公式为
其中,CP代表矫正后的难度系数,P表示矫正前的难度系数,K指该题目中可供选择的答案数。
主观题可以用得分率作为难度系数的指标。主观题难度系数的计算公式为
其中,P为该题目难度系数,X为全体被试者在该题目上的平均得分,XMAX为该题目满分。
考试是要尽可能地区分被试者的个别差异,考试结果就应尽可能拉开距离。题目的恰当难度,就应该使难度系数(即P值)尽量接近0.50。如果题目的通过率为1.00或0.00,所有被试者通过或全部不能通过,就无法区分不同水平的被试。经验与研究均表明,倘若整个考试所有题目的难度系数分布在0.30至0.70之间,并且整个试题的难度系数在0.50左右时,考试对被试者有较大的鉴别力,考试分数也接近正态分布。
试题的区分度是指试题对被试者特性的区分程度,也就是题目区别被试者水平能力的量度。区分度系数是试题区分程度的量化,用符号D表示,取值范围在+1到-1之间,D值越高,试题的质量越好。区分度高的题目能有效地区分水平不同的被试者,区分度低的题目则不能有效地区分水平不同的被试者。
根据抽样测验的结果或者每次考试的结果计算试题的区分度系数的方法包括:首先按测验总分从高到低排序,将被试者分成高分组、中分组和低分组,高分组和低分组的被试者人数应相同,(例如:可以将测验总分最高的27%的被试者作为高分组,将测验总分最低的27%的被试者为低分组;或者将测验总分最高的25%的被试者作为高分组,将测验总分最低的25%的被试者为低分组。)然后,客观题区分度系数的计算方法为
D=PH-PL
其中,D为区分度系数,PH为高分组的通过率,PL为低分组的通过率;
主观题区分度系数的计算方法为
其中,D为区分度系数,XH为高分组所得总分,XL为低分组所得总分,H为该目题最高分,L为该题目最低分,N为高分组或低分组的被试者人数。
从理论上说,中等难度(P=0.5)的试题具有较好的区分度,难度系数接近1或0时,区分度会趋向为小,即过易或过难的试题区分度一般都不高。一般情况下过难试题的区分度更低,因为过难的试题,会造成成绩好的被试者也依赖于猜测,从而降低了试题的区分度。难度与区分度的关系见下表:
试题难度系数(P) | 区分度系数(D) |
1.00 | 0.00 |
0.90 | 0.20 |
0.70 | 0.60 |
0.60 | 0.80 |
0.50 | 1.00 |
0.40 | 0.80 |
0.30 | 0.60 |
0.10 | 0.20 |
0.00 | 0.00 |
在上述步骤c中,用计算得到的难度系数和区分度系数与该试题当前的难度系数和区分度系数进行迭代计算的公式为
Pn=(Pn-1*Nn-1+P*N)/(Nn-1+N)
Dn=(Dn-1*Nn-1+D*N)/(Nn-1+N)
其中,Pn为本次迭代后的难度系数,Pn-1为本次迭代前的难度系数,Nn-1为上次确定难度系数的被试者人数,P为根据本次考试结果计算得到的难度系数,N为本次考试的被试者人数,Dn为本次迭代后的区分度系数,Dn-1为本次迭代前的区分度系数,D为根据本次考试结果计算得到的区分度系数。客观题和主观题均采用上述迭代公式进行迭代计算。
本发明试题数据库中的试题的难度属性的值(即难度系数)和区分度属性的值(即区分度系数)是一个不断迭代的过程,试题被选中次数愈多,迭代次数愈多,该试题的难度和区分度的精确性就愈高。下面举例说明试题难度系数和区分度系数的迭代过程:如图1所示,
1、根据出题人的经验对试题A的难度和区分度进行初始化,设试题A的难度系数为P,区分度系数为D。初始化的难度和区分度只作为参考,不纳入迭代过程;
2、对试题A进行抽样测验,利用抽样测验的结果计算试题A的难度系数和区分度系数,试题A经过抽样测验后计算得到的难度系数为P0,区分度系数为D0,参与人数为N0;
3、试题A经过第一次实测(即考试)时,实测后计算到的难度系数和区分度系数分别为P和D,被试者人数为N,将它们与抽样测验的结果(P0、D0)代入公式P1=(P0*N0+P*N)/(N0+N),D1=(D0*N0+P*N)/(N0+N)进行迭代,得到新的难度系数P1和区分度系数D1,参与人数N1=N0+N;
4、试题A经过第二次实测时,实测后计算到的难度系数和区分度系数为P和D,被试者人数为N,将它们与第二次实测前的难度系数和区分度系数(P1、D1)代入公式P2=(P1*N1+P*N)/(N1+N),D2=(D1*N1+P*N)/(N1+N)进行迭代,得到新的难度系数P2和区分度系数D2,参与人数N2=N1+N;
5、按步骤4的方法,对每次考试的实测结果与上次进行迭代,调整试题的难度系数和区分度系数,不断提高试题难度和区分度的精确性。
6、组卷时,通过设置难度和区分度的过滤条件从试题数据库中选题,达到提高试卷质量的目的。选题的难度系数分布在0.30至0.70之间,并且整个试题的难度系数在0.50左右时,考试对被试者有较大的鉴别力,考试分数也接近正态分布,选题的区分度系数分布在0.50至1.00之间,并且整个试题的区分度系数大于0.90时,整个试题的质量非常好。
Claims (8)
1、一种物流培训网络试题难度和区分度量化的实现方法,包括建立试题数据库,并将试题及其属性录入所述试题数据库的步骤,其特征在于还包括如下步骤:
a、对所述试题数据库的数据库结构增加难度和区分度两种属性,其值分别用难度系数和区分度系数表示,并对所述试题数据库中的每道试题的难度属性和区分度属性赋以初始值;
b、对所述试题数据库中的试题进行抽样测验,利用抽样测验的结果计算试题的难度系数和区分度系数,取代该试题难度属性和区分度属性的初始值;
c、根据每次考试的结果计算试题的难度系数和区分度系数,用该难度系数和区分度系数与该试题当前的难度系数和区分度系数进行迭代,更新该试题当前的难度系数和区分度系数,从而不断提高试题难度和区分度的精确性。
2、根据权利要求1所述的物流培训网络试题难度和区分度量化的实现方法,其特征在于:所述试题数据库的数据库结构包括知识点、认知分类、分数和时间属性。
3、根据权利要求1所述的物流培训网络试题难度和区分度量化的实现方法,其特征在于:根据抽样测验的结果或者每次考试的结果计算试题的难度系数的方法包括客观题难度系数的计算和主观题难度系数的计算,客观题难度系数的计算公式为
其中,P为该题目难度系数,R为答对该题目的被试者人数,N为被试者总数;
主观题难度系数的计算公式为
其中,P为该题目难度系数,
X为全体被试者在该题目上的平均得分,XMAX为该题目满分。
4、根据权利要求3所述的物流培训网络试题难度和区分度量化的实现方法,其特征在于还包括客观题难度系数矫正的方法
其中,CP代表矫正后的难度系数,P表示矫正前的难度系数,K指该题目中可供选择的答案数。
5、根据权利要求1-4任一权项所述的物流培训网络试题难度和区分度量化的实现方法,其特征在于根据抽样测验的结果或者每次考试的结果计算试题的区分度系数的方法包括:首先按测验总分从高到低排序,将被试者分成高分组、中分组和低分组,高分组和低分组的被试者人数应相同,然后,客观题区分度系数的计算方法为
D=PH-PL
其中,D为区分度系数,PH为高分组的通过率,PL为低分组的通过率;
主观题区分度系数的计算方法为
其中,D为区分度系数,XH为高分组所得总分,XL为低分组所得总分,H为该目题最高分,L为该题目最低分,N为高分组或低分组的被试者人数。
6、根据权利要求5所述的物流培训网络试题难度和区分度量化的实现方法,其特征在于:在步骤c中,用计算得到的难度系数和区分度系数与该试题当前的难度系数和区分度系数进行迭代计算的公式为
Pn=(Pn-1*Nn-1+P*N)/(Nn-1+N)
Dn=(Dn-1*Nn-1+D*N)/(Nn-1+N)
其中,Pn为本次迭代后的难度系数,Pn-1为本次迭代前的难度系数,Nn-1为上次确定难度系数的被试者人数,P为根据本次考试结果计算得到的难度系数,N为本次考试的被试者人数,Dn为本次迭代后的区分度系数,Dn-1为本次迭代前的区分度系数,D为根据本次考试结果计算得到的区分度系数。
7、根据权利要求1所述的物流培训网络试题难度和区分度量化的实现方法,其特征在于:在步骤c中,用计算得到的难度系数和区分度系数与该试题当前的难度系数和区分度系数进行迭代计算的公式为
Pn=(Pn-1*Nn-1+P*N)/(Nn-1+N)
Dn=(Dn-1*Nn-1+D*N)/(Nn-1+N)
其中,Pn为本次迭代后的难度系数,Pn-1为本次迭代前的难度系数,Nn-1为上次确定难度系数的被试者人数,P为根据本次考试结果计算得到的难度系数,N为本次考试的被试者人数,Dn为本次迭代后的区分度系数,Dn-1为本次迭代前的区分度系数,D为根据本次考试结果计算得到的区分度系数。
8、根据权利要求1所述的物流培训网络试题难度和区分度量化的实现方法,其特征在于:所述试题数据库中试题的难度系数和区分度系数是不断被迭代更新的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2005101211138A CN1794277A (zh) | 2005-12-29 | 2005-12-29 | 物流培训网络试题难度和区分度量化的实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2005101211138A CN1794277A (zh) | 2005-12-29 | 2005-12-29 | 物流培训网络试题难度和区分度量化的实现方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN1794277A true CN1794277A (zh) | 2006-06-28 |
Family
ID=36805699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2005101211138A Pending CN1794277A (zh) | 2005-12-29 | 2005-12-29 | 物流培训网络试题难度和区分度量化的实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1794277A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010020084A1 (en) * | 2008-08-18 | 2010-02-25 | Xingke Medium And Small Enterprises Service Center Of Northeastern University | Examination generation method and system |
CN103871275A (zh) * | 2012-12-14 | 2014-06-18 | 田欣 | 学力诊断药方辅助教学系统 |
CN106448308A (zh) * | 2016-10-13 | 2017-02-22 | 佛山市炫鲸科技有限公司 | 一种实验安全考试方法与系统 |
CN106485619A (zh) * | 2016-09-30 | 2017-03-08 | 江苏四五安全科技有限公司 | 自动判断考题正确性的方法 |
CN106781785A (zh) * | 2017-01-04 | 2017-05-31 | 广东小天才科技有限公司 | 一种基于大数据的题目难度构建方法及装置、服务设备 |
CN108229688A (zh) * | 2016-12-22 | 2018-06-29 | 上海谦问万答吧云计算科技有限公司 | 一种基于irt的信息处理方法及装置 |
CN108389147A (zh) * | 2018-02-26 | 2018-08-10 | 浙江创课教育科技有限公司 | 试题难度分级处理方法及系统 |
CN110135754A (zh) * | 2019-05-22 | 2019-08-16 | 安徽爱学堂教育科技有限公司 | 试题评估方法及装置 |
CN110807962A (zh) * | 2019-11-19 | 2020-02-18 | 浙江创课网络科技有限公司 | 一种智能组卷考试系统 |
CN112100341A (zh) * | 2020-04-13 | 2020-12-18 | 上海迷因网络科技有限公司 | 一种用于快速表达力测试的智能化题目分类及推荐方法 |
CN112164261A (zh) * | 2020-09-24 | 2021-01-01 | 浙江太学科技集团有限公司 | 一种智能化考核方法 |
-
2005
- 2005-12-29 CN CNA2005101211138A patent/CN1794277A/zh active Pending
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010020084A1 (en) * | 2008-08-18 | 2010-02-25 | Xingke Medium And Small Enterprises Service Center Of Northeastern University | Examination generation method and system |
CN103871275A (zh) * | 2012-12-14 | 2014-06-18 | 田欣 | 学力诊断药方辅助教学系统 |
CN106485619A (zh) * | 2016-09-30 | 2017-03-08 | 江苏四五安全科技有限公司 | 自动判断考题正确性的方法 |
CN106448308A (zh) * | 2016-10-13 | 2017-02-22 | 佛山市炫鲸科技有限公司 | 一种实验安全考试方法与系统 |
CN108229688B (zh) * | 2016-12-22 | 2020-10-09 | 北京字节跳动网络技术有限公司 | 一种基于irt的信息处理方法及装置 |
CN108229688A (zh) * | 2016-12-22 | 2018-06-29 | 上海谦问万答吧云计算科技有限公司 | 一种基于irt的信息处理方法及装置 |
CN106781785A (zh) * | 2017-01-04 | 2017-05-31 | 广东小天才科技有限公司 | 一种基于大数据的题目难度构建方法及装置、服务设备 |
CN108389147A (zh) * | 2018-02-26 | 2018-08-10 | 浙江创课教育科技有限公司 | 试题难度分级处理方法及系统 |
CN108389147B (zh) * | 2018-02-26 | 2020-11-03 | 浙江创课教育科技有限公司 | 试题难度分级处理方法及系统 |
CN110135754A (zh) * | 2019-05-22 | 2019-08-16 | 安徽爱学堂教育科技有限公司 | 试题评估方法及装置 |
CN110807962A (zh) * | 2019-11-19 | 2020-02-18 | 浙江创课网络科技有限公司 | 一种智能组卷考试系统 |
CN110807962B (zh) * | 2019-11-19 | 2021-07-20 | 浙江创课网络科技有限公司 | 一种智能组卷考试系统 |
CN112100341A (zh) * | 2020-04-13 | 2020-12-18 | 上海迷因网络科技有限公司 | 一种用于快速表达力测试的智能化题目分类及推荐方法 |
CN112100341B (zh) * | 2020-04-13 | 2023-07-07 | 上海擅择教育科技有限公司 | 一种用于快速表达力测试的智能化题目分类及推荐方法 |
CN112164261A (zh) * | 2020-09-24 | 2021-01-01 | 浙江太学科技集团有限公司 | 一种智能化考核方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1794277A (zh) | 物流培训网络试题难度和区分度量化的实现方法 | |
CN109272789A (zh) | 基于数据分析的学习效果评估系统及评估方法 | |
CN108182489A (zh) | 一种基于在线学习行为分析的个性化学习推荐方法 | |
CN107705033A (zh) | 一种基于大数据的教学质量测评系统 | |
Jensen et al. | Midterm and first-exam grades predict final grades in biology courses | |
Eren et al. | Time to learn? The organizational structure of schools and student achievement | |
CN109584122A (zh) | 自动更新的在线题库难度智能分级方法及系统 | |
CN110069550A (zh) | 一种基于教育关联的统计分析方法及云平台系统 | |
CN111027868A (zh) | 基于结构方程模型的学位论文质量影响因素评价方法 | |
CN1632782A (zh) | 在线学习成绩评定方法及系统 | |
CN117079504B (zh) | 一种大数据精准教学批阅系统的错题数据管理方法 | |
Puzio et al. | The Effects of within Class Grouping on Reading Achievement: A Meta-Analytic Synthesis. | |
CN112132715A (zh) | 智能课件管理方法和系统 | |
CN116307877A (zh) | 一种基于grm模型的作业四象限评估学生能力方法 | |
Polat et al. | Reliability analysis of PISA 2018 reading literacy student questionnaire based on item response theory (IRT): Turkey sample: Reliability analysis of PISA 2018 reading literacy | |
CN115170358A (zh) | 一种基于大数据的未来学校环境课程设计系统 | |
Burstein et al. | Describing performance standards: Validity of the 1992 National Assessment of Educational Progress achievement level descriptors as characterizations of mathematics performance | |
Westrick | Differential Grading: Meta-Analyses of STEM and Non-STEM Fields, Gender, and Institutional Admission Selectivity. ACT Research Report Series 2015 (7). | |
Wilson | Predicting the Long-Term Performance in College of Minority and Nonminority Students: A Comparative Analysis in Two Collegiate Settings. College Entrance Examination Board Research and Development Reports. | |
Elreda et al. | Learning in Linguistically Diverse Middle School Classrooms: The Role of the Classroom Peer Network. | |
CN118332167B (zh) | 基于习题跟踪分析的习题生成方法、系统及介质 | |
VILLALOBOS et al. | English I and English II End-of-Course exam grade level performance differences for Emergent Bilingual students by gender: A Texas, multiyear investigation | |
CN116563067B (zh) | 一种基于大数据的毕业生人群就业分析方法、系统及介质 | |
Bolton | Predictive value (or academic achievement of the ACE psychological examination scores | |
CN116663988A (zh) | 一种通用教师胜任力和特定教师胜任力的评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Open date: 20060628 |