考试计算机化研究.docVIP

考试计算机化研究 　　随着计算机的普及和网络的迅速发展,传统的纸笔考试面临新的挑战。传统的考试存在以下的缺点:在命题、出卷、印刷、组织、阅卷、考后分析等过程需要投入大量的人力、物力;在出卷过程中主要依靠个人经验,主观性比较大;阅卷评分难免受客观因素影响;考后分析困难,不利于细节上的分析等。而利用无纸化的机算机考试来实现对考生的考核,具有高效、安全、客观等优点。无纸化的机算机考试,使得考试更加科学化、规范化、公平化,实现了教考分离,大大减轻教师的工作量。 　　要实现考试计算机化,本文认为应从以下几个方面考虑。 　　 　　1、遵循教育统计与教育测量理论 　　 　　计算机考试系统的建设是一项复杂的工程,除了需要具备相关的软件开发知识外,还必须遵循教育统计与教育测量理论知识,才能开发出科学合理的系统。 　　教育统计学是运用数理统计方法去研究教育现象的一门应用学科。教育测量学是把教育统计学方法应用于考试分析而产生的一门学科。两者有着密切的联系。本文介绍两类主要的教育测量理论:一类是以真分数理论为代表的经典测量理论CTT(Classical Test Theory),另一类是现代测量理论中的题目反应理论IRT(Item Response Theory)[1]。 　　20世纪以来,经典测量理论CTT一直是教育和心理测量工作的基础。现在普遍采用的考试都是根据此理论来完成的,它是建立在真分数理论的基础上的,主要概念包括信度、效度、难度、区分度等。CTT的优点是它在测量体系上已经非常成熟,即使在新的测验理论崛起的今天,CTT仍然占据着不可替代的地位。这是因为CTT是建立在较简单的数学模型之上,计算简便,易于被人理解和接受。且它的理论假设较弱,对实施条件要求不严格,适用性广。 　　项目反应理论IRT创立于20世纪50年代。IRT是通过考生的能力与题目反应的概率之间的关系,来估算考生的能力。将试题的区分度、难度、猜测度与考生能力之间关系通过数学模式确定[2]。IRT的最大优点是题目参数的不变性,即题目参数的估计独立于被试组,这对大型题库建设具有重要意义。另外,它还能提供估计每个被试能力水平精确性的统计量,即测验和题目信息函数。虽然IRT理论数理逻辑严密,测量精度高,但对使用者的素质和客观条件都有很高的要求,故应用的范围受到限制。 　　 　　2、组卷策略 　　 　　要减轻教师的工作量,真正实现计算机考试,试题库和自动组卷系统是必不可少的。如何从存有大量试题的试题库中,按照组卷要求和规则,从试题库中自动抽取一组试题,生成一份或多份满足组卷要求的试卷,要依赖组卷策略。 　　在大多数的自动组卷系统中,所用的组卷策略有随机策略、回溯策略、误差策略、优先权策略等。下面介绍随机策略、回溯策略和遗传算法策略组卷。 　　 　　2.1、随机策略组卷 　　随机策略组卷是根据组卷指标,由计算机随机的抽取一道试题放入试卷,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。随机策略组卷有两种情况,一是从试题库中随机抽取试题,然后判断是否符合试卷的约束条件。二是从符合试卷某项要求的试题库子集中随机抽取试题,然后判断是否符合试卷的其它约束条件。 　　随机策略组卷方法结构比较简单,对于单道题的抽取运行速度较快。但是随机策略要求试题库存储的试题量大,试题状态分布良好,且组卷花费时间长,组卷成功率比较低。 　　 　　2.2、回溯策略组卷 　　在随机策略组卷过程中,随着选题数量的增加,模式之间的约束度越来越大,很可能出现超出范围,或者选题难以进行下去的情况,这说明随机选中的某道试题可能不是最优的。这时候可以采用回溯策略组卷。回溯策略组卷是将随机选取产生的每一状态记录下来,当搜索失败时释放上次记录的状态类型,然后再依据一定的规律变换一种新的状态类型进行试探,通过不断回溯试探直到试卷生成完毕或退回出发点为止。 　　回溯策略组卷方法程序结构相对比较复杂,对于状态类型和出题量都较少的题库系统而言,组卷成功率较高。但当数据库很大且题量较多时,其组卷时间长,占用的空间复杂度也很大。 　　 　　2.3、遗传算法策略组卷 　　遗传算法GA(Genetic Algorithms)是当前研究比较多的、也是较前沿的组卷策略。它是模拟生物界自然选择、遗传和变异机制来求解复杂问题的随机化搜索和优化算法。它以其具有自适应全局寻优和良好的智能搜索技术,并且收敛性好的特性能很好地满足自动组卷的要求。尤其适合试题参数多、题库量大的试题库。 　　遗传算法策略组卷的应用步骤大致如下。 　　(1)对试题进行编码及初始化种群 　　从试题库中选出满足约束条件的试题组成试卷,需要对试题库中的试题进行编码,以方便利用遗传算法求出最优解。而常用的遗传算法的编