计算机辅助测试中自动组卷技术探究.docVIP

计算机辅助测试中自动组卷技术探究摘要： 本文介绍了几种常用的自动组卷技术的算法设计，同时对其中的基于遗传算法的组卷算法进行了详细的讨论，并提出了改进的策略。 关键词： 计算机辅助测试 自动组卷 组卷算法 遗传算法 自动组卷是计算机辅助测试（CAT）中重要的组成部分。它综合了教育学、教育测量学、教育统计学、考试学等多种学科并与人工智能技术进行有效的结合。当有了一个合适的试题库并且有了足够的题目数量之后，组卷最基础的条件就已经具备，下面要考虑的就是组卷的要求。根据目前各类考试对于试卷的要求，我们可以归纳出以下几个组卷中的基本要点： A.各种题型中知识点分布符合制卷目标（即考试要求）； B.试题、试卷难度符合制卷要求； C.无内容重复和相近的试题。 由此可见，虽然是自动组卷，但在组卷之前，我们需要根据本次考试的类型或知识要求考查学生的程度趋势线，设置好难度、区分度、知识点分布等基本的组卷要求，然后系统才能够在此基础上实现自动组卷。 1.组卷算法 常用的自动组卷方法大致可分为三类： 1.1随机抽取法[1] 根据组卷状态空间的控制指标，由计算机随机抽取一道符合控制指标的试题放入组卷题库，此过程不断重复，直到组卷完毕或已无法从题库中抽取满足控制指标的试题为止。随机抽取法的基本算法如下： 1）设置题目属性，包括题型及该题型的题目数量M、难度、区分度、知识点分布； 2）产生一个随机数K，1≤K≤n（n为此类题型下题目的总数）； 3）在试题库中选取第K道题目，查看题目的抽取状态，若状态为1，则表示已抽取过该题，则回到第2步，若为0，则表示该题未被抽取，则继续； 4）检查该试题的抽取时间，若时间与当前时间间隔小于1年，则放弃抽取，回到第2步，否则继续； 5）检查试题的相近题目编号，搜索在已经选取的题目中有无相同编号的试题，若有，则放弃抽取，回到第2步，若没有，则继续； 6）将该试题的编号写入已抽取试题的表中，并且将试题库中该题的抽取状态改写为1，抽取时间写作当前时间，一道题目抽取完毕，题目数L=L+1。 7）如果L≥M，该题型组卷完毕，否则，回到第2步继续组卷。 该方法结构简单，具有很大的随意性和不确定性，无法从整体上把握题库不断变化的要求，不具有智能性。但是，这种方法实现起来较为容易，所以目前仍然是大多数组卷系统所首选的组卷方法之一。 1.2回溯试探法[2] 将随机抽取法产生的每一状态类型记录下来，当搜索失败时释放上次记录的状态类型。然后按照一定的规律变换一种新的状态类型进行试探，通过不断地回溯试探直到试卷生成完毕或退回到出发点为止。该方法适用于类型和出题量都比较小的题库系统，实际应用时程序结构相对复杂，而且选取试题随机性差，组卷时间长。对于现在越来越流行的考生随机即时调题的考试过程来说，它已不符合要求。 1.3遗传算法求解自动组卷问题 遗传算法（Genetic Algorithm，简称GA）是一种基于进化论优胜劣汰、适者生存的物种遗传思想的搜索算法[3]。这一基本思想是20世纪70年代由美国密歇根大学的J.H.Holland提出并创立的[4]。在自然界中，各种生物处于不同的环境之下，那些具有适应所处环境特征的物种可以存活下来，而它的这种特征是由它内部的基因所决定的。生物的进化过程最终表现为基因的进化。而基因的进化发生在两个父辈个体结合产生后代个体的过程中。父代染色体在向后传递时发生选择和交换，从而导致生物群不断演化，进而产生更有适应力的个体，这便是遗传。 遗传算法的名称来源于自然界，与自然界的遗传过程相类似。这种算法的处理对象是要搜索问题的一群潜在的可能解，通过使问题的解不断地进化，最终求得最优解。与自然界相对照，生物对于环境的适应程度在遗传算法中表现为解的一个适应值或者是评价值，反映了该解相对于其他解的好坏程度。也同自然界一样，这种具有较高适应值的解就具有更大的生存性和再生性。在遗传中还有一种现象就是突变，即生物体基因发生的偶然的突然的改变。遗传算法中，这种现象也存在，即偶然、随机的改变结果中某些数位值[5]。 2.传统遗传算法的问题求解 运用遗传算法求解问题首先需将所要求解的问题表示成二进制编码，然后根据环境进行基本的操作：选择、交换、突变这样进行不断的所谓“生存选择”，最后收敛到一个最适应环境条件的个体上，得到问题的最优解。将其用于自动组卷，可以在一定约束条件下对多目标参数进行优化，从而使组卷技术简单、通用、收敛速度快、适于并行处理。 遗传算法可以描述为如下几个基本步骤： 1）随机产生初始种群； 2）利用评价函数（适应度函数）对个体计算函数值； 3）按一定的概率对个体进行选择、交叉、变异等操作产生新种群； 4）重复2、