基于区分度的智能组卷难度正态分布算法

给出了一种依据试卷区分度确定算法参数的智能组卷难度正态分布算法。实例表明,相对于目前的通过设定组卷难度区间的概率和为1来确定算法参数,生成的试卷更好地体现了组卷难度分布设计所要求的试卷对不同考生的知识能力的区分和鉴别的考核要求。     

基于动态试题难度参数的智能组卷策略*

针对网络考试系统的即时性和高效性,提出了基于动态试题难度参数的智能组卷算法的设计策略,利用二项分布函数做难度曲线分布模型,结合目标函数对试题多种参数进行优化。根据试卷的整体难度,以试题难度参数为优先,运用试题选题参数调节知识点之间的平衡,试题曝光参数选取出卷频率比较低的试题,从而确定各种题型不同试题难度数量,实现快速自动组卷的目标。     

基于层次分析方法与人工鱼群算法的智能组卷*

针对已有智能组卷方法难以满足考核要求,设计了一种基于层次分析方法与人工鱼群算法的新方法。首先根据试卷总分、考试时间、章节分数、知识点分数、题型分数、能力层次分数、试卷难度与试卷区分度八个考核要求建立多目标、多约束组卷模型;然后利用层次分析方法确定各组卷目标的权重,进而通过线性加权求和将多目标规划模型转换为单目标规划模型;最后利用改进的人工鱼群算法求解模型得到最优组卷方案。该方法适用于单套组卷与多套组卷。同时,讨论了该方法的优缺点以及发展趋势。     

基于分割策略的快速抽题组卷算法

本文介绍了两个基于分割策略的算法，用在考试组卷系统中，一是用来完成如何根据试卷的难度系数确定不同难度系数试题抽取的数量；二是用来完成如何从试题库中抽取满足试卷要求的一定数量的试题。     

蚁群算法在自动组卷建模中的应用研究

在自动组卷优化控制的研究中,自动组卷是一个多约束条件下的多目标参数优化问题,各个目标之间互相牵制,采用传统算法求解相当的困难,导致组卷效率和成功率都比较低.结合自动组卷的多目标组合优化特点,提出一种蚁群算法的自动组卷模型.模型首先根据试卷要求建立试卷质量评价体系,然后根据题型、总分、考试时间等要求建立多约束条件、多目标的数学模型,然后用蚁群算法对数学模型进行求解,输出最优组卷方案.仿真结果表明,蚁群算法充分利用了蚁群算法群体智能特点,提高了组卷效率和成功率,很好满足自动组卷的效能要求.     

试题库中自动组卷的算法及试卷测评策略

组卷和试卷测评是网络考试系统的核心内容,为此,在深入研究的基础上,提出了基于难度级别的分割递归算法和状态链表的随机抽题算法,实现了快速组卷过程.基于该组卷方式,介绍了试卷的4个主要评测指标.最后给出了具体实例加以论证.该算法已经成功应用于实际网络考试系统中.     

自动组卷的建模和仿真研究

研究优化自动组卷问题,自动组卷要求快速获得满足用户的组卷,是一个NP难题,传统组卷组算法存在耗时长、效率低等缺陷,组卷成功率低.为了提高组卷成功率,提出一种遗传算法的智能组卷模型.首先按照试卷难度、区分度、考试总分、考试时间和题型要求建立多目标、多约束数学模型,然后采用遗传算法对数学模型进行求解,得到最优组卷方案.仿真结果表明,相对于其它自动组卷算法,改进遗传算法提高了组卷速度和效率,组卷成功率也相应有所提高,获得组卷质量更优,有效地解决优化自动组卷方法问题.     

试题库系统中随机抽题算法的设计与实现

针时职业教育精品网站的特点,提出适应于网络教育的以知识点为核心的自动组卷算法.该算法把题型难度比例、题型个数作为主要控制目标,从而按知识点选题组卷,并运用适当的随机算法组卷策略优化组卷结果.实验表明,该算法依据不同的组卷策略自动生成的试卷,组卷效率、成功率和知识点覆盖率均比较理想.     

试题库随机组卷系统的研究与探讨

组卷和试卷测评是网络考试系统的核心内容,为此,在深入研究的基础上,提出了基于难度级别的多约束组题算法,实现了快速组卷过程。基于该组卷方式,介绍了试卷的3个主要评测指标。该算法已经成功应用于实际网络考试系统中。     

基于改进的遗传算法的智能组卷算法研究

随着人工智能技术在高校信息化过程的不断推广,智能在线考试模式已成为高校教学改革的一种新手段。目前现有的在线考试系统由于一些现实约束,还存在很多不足。文中针对现有的考试系统存在智能组卷后的试卷难度不均衡、题库试题难度系数确定不合理的现象,提出一种基于改进的遗传算法自动组卷策略。利用伯努利大数定律和机器自适应学习方式,确定题库中试题合理的难度系数。在试题的难度系数确定后,试卷的难度系数就是参入组卷的试题的平均难度系数,组卷中,只需指定试卷的平均难度系数和各类题型的数量即可。