基于认知诊断与大模型优化遗传算法的自动组卷方法.pdfVIP

ISSN1002-4956实验技术与管理第42卷第4期2025年4月

CN11-2034/TExperimentalTechnologyandManagementVol.42No.4Apr.2025

DOI:10.16791/j.cnki.sjg.2025.04.030

基于认知诊断与大模型优化遗传算法的

自动组卷方法

1121

刘凡，崔金凤，吴铭，沈荣

（1.河海大学计算机与软件学院，江苏南京211100；

2.河海大学人工智能与自动化学院，江苏常州213200）

摘要：为了提高教师组卷的质量及教学效率，优化教学资源，国内外许多学者对自动组卷技术进行了深入的研

究。传统的自动组卷算法并未考虑班级整体认知水平，且组卷效率低，组卷质量参差不齐，影响了对学生学习效

果的正确评估。针对以上问题，该文提出了基于认知诊断与大模型优化遗传算法的自动组卷方法。首先借助预训

练大模型所具备的强大数据处理和分析能力，提出了利用大语言模型的微调技术和问答机制进行自动组卷，通过

实验选择在7B（7Billion）参数规模的Qwen大模型上使用Q-LoRA微调进行自动组卷，可以高效率地生成试卷。

同时，提出基于认知诊断与大模型优化遗传算法的自动组卷方法提升试卷质量，利用Qwen大模型生成的试卷作

为初始种群，并且设计组卷适应度计算方法，采用“精英保留”的思想设计遗传算子，改进选择、交叉、变异算

子的设计，始终保留种群中最好的个体。实验结果显示，传统遗传算法组卷需要34.586s，成功率为83%，大模

型自动组卷算法则能在8.565s内完成，但成功率略降至81%。相比之下，该文提出的基于认知诊断与大模型优化

的遗传算法自动组卷方法，不仅将组卷效率大幅提升至0.673s，而且成功率高达100%，完全满足了实际应用的

需求。这一方法显著优于前述两种算法，展现出在效率和成功率上的双重优势。

关键词：自动组卷；认知诊断；大语言模型；遗传算法

中图分类号：G434；TP183文献标识码：A文章编号：1002-4956(2025)04-0233-06

考试在教育教学和人才培养过程中作用显著，它考试内容更贴合学生的学习水平。认知诊断作为一种

能评估学生的学习成效，反馈教师教学质量，而一份评估个体认知过程和理解水平的方法，能够深入剖析

高质量的试卷可以充分发挥考试评价对教与学的积极学生学习过程和理解学生学习策略[4]，在教育学领域

导向作用，所以组卷程序是教育领域考试程序中的核逐渐被推广开来。通过认知诊断的方式对学生对于知

心部分。传统人工组卷方式需要花费大量时间，容易识点的掌握情况进行评估，可以筛选出难度适中又能

受到主观因素的影响，导致试题质量存在差异。而自反映学生学习效果的试题。但是这一复杂过程必然涉

动组卷技术[1]能够利用人工智能算法和数据挖掘技及大量的数据收集和处理工作，应用传统模型可能无

术，根据一定的规则和约束条件，快速生成试卷，大法达到理想的效果。大模型作为一种新兴的技术，具

大节省了时间和人力成本，同时减少了人为因素的介备强大的数据处理和分析能力，表现出了更高的准确

入，保证了试题的客观性和公正性。性和更好的性能，