一个基于Web考试系统设计与实现.docVIP

一个基于Web考试系统设计与实现 　　摘 要介绍了项目反应理论和组卷算法实现的基本步骤，并以此为基础设计了一个基于 Web 的在线考试系统，介绍了采用ASP 技术的实现方案和几个关键技术问题的解决。 　　关键字 项目反应理论；数据库连接；考试系统；Web 　　中图分类号：G434文献标识码：A文章编号：1671-489X（2008）02－0058-02 　　 　　1 项目反应理论(IRT)概述 　　 　　IRT(Item Response Theory)是CAT的理论基础。IRT是通过研究个体的潜在特质(如能力水平)与项目基本特征(如难度、区分度、猜测度)之间的关系，即用函数关系P(我们称为项目反应函数)来描述某个个体(其潜在特质为θ)答对某个项目(其难度、区分度、猜测度分别为b、a、c)的概率。在IRT理论中，项目反应函数有多种，在本系统中，我们以比较成熟的三参数Logistic模型为基础，其反应函数如下: 　　其中D=1.702，ai，bi，ci分别表示该项目的区分度、难度和猜测度。Pi(θ)表示能力为θ的被试答对项目i的概率，一般规定θ∈[-3，3]。 　　假设被试对各个项目的作答是相互独立的，且所有项目采用0、1记分，则基于u=(u1，u2，u3，…，um)的似然函数 ,它表示具有能力为的被试得分向量u与能力 之间的关系，简记为 。 表明能力为 的被试对象其得分向量为u的可能性，当u已知时，若 在一个集合⊙中变化，应选择θ∈e，使满足上式的θ称为θ的似然估计，这种将似然估计取极大值的自变量取值作为待估参数估计方法，叫极大似然估计法。就是我们系统中能力估计采用的方法。 　　挑选项目的原则，一般就是要适应被试水平，从题库中挑选能提供最大信息量的项目。项目信息量取值最大时，难度和特质水平有如下关系： 　　也就是说，若被试特质水平根据所测的以往资料已估得是^θ的话，进一步继测的最适合项目的难度值应为biθ，这个比估计特质值θ略小。信息量由下式计算： 　　 　　2 组卷算法 　　 　　组卷算法在遗传算法(GA)的基础上，针对所要解决的问题提出了多适应度遗传算法。系统利用专家知识首先组成默认的组卷策略，它可以在组卷要求选项缺少的情况下，实现自动添加组卷要求的作用。在系统默认组卷策略的基础上，采用多适应度遗传算法对难度、知识点、知识点教学要求度(包含在知识点中)进行并行运算，在全局试题库中搜索符合组卷策略的试题组成试卷。对经过优化组成的试卷再进行试卷相关性、已出题次数、出题频率的检验，如合格，则通过试卷打印模块打印成卷;如检验未通过，则将系统分析结果反馈到组卷策略模块中，修改组卷策略模块，再次循环运算，直到系统验证通过，组成试卷为止。针对自动组卷系统，提出了多适应度遗传算法。多适应度遗传算法是一种模拟自然选择和遗传机制的全局概率寻优算法，具有高度并行性和自适应的搜索能力。GA的寻优过程是一个迭代过程，通过基因遗传机制将每一代的基本特征被遗传到下一代。其过程包括4个基本要素： 　　（1）基因编码。即将要解决的问题编制成可进行数学讨论的编码。采用混合编码方法，将难度、知识点、教学要求度编成9位二进制码。如a0a1b0b1b2b3b4c0c1，其中，a0a1是难度编码，b0b1b2b3b4是知识点编码，c0c1是教学要求度编码。 　　（2）适应度函数。又称目标函数，是进化的优劣标准。多适应度遗传算法采用多适应度机制，针对每一种结构属性给出相应的适应度函数，ξ(x)、Ψ(y)、ζ(z)分别是难度适应度函数、知识点适应度函数、教学要求度适应度函数。 　　（3）遗传算子。最重要的有3种：选择(selection)、交叉(crossover)、突变(mutation)。选择算子也称复制(reproduction)算子，它的作用在于根据个体的优劣程度决定它在下一代是被淘汰还是被复制。 　　交叉算子在遗传进化中起着最主要的作用首先根据适应度选择交叉的两个染色体，接着选择任一整数k∈(1，2，3∧L-2)，作为交叉位置，交叉过程描述如下： 　　亲代：a10∧a1(k-1)a1kZa1(k+1)∧a1(L-1) 　　 a20∧a2(k-1)a2kZa2(k+1)∧a2(L-1) 　　子代：a10∧a1(k-1)a1kZa2(k+1)∧a2(L-1) 　　 a20∧a2(k-1)a2kZa2(1+1)∧a1(L-1) 　　在基本遗传算法(SGA)中，交叉操作的交叉概率pC一般取较大值0.4~0.99[19]。突变操作可以弥补遗传物质的丢失，选择任一整数k∈(1，2，3∧L-2)，变异过程描述如下： 　　亲代：a0a1∧a(k-1)akZa(k+1)∧a(L-1) 　　变异子代：a0a1∧a(k-1)-a