浅析遗传算法在自动组卷中的应用.doc

1、浅析遗传算法在自动组卷中的应用【文章摘要】 现代的教育考试中逐渐的在运用网络在线考试这一崭新的计算机信息技术，从而使传统的考试方式正在面临着巨大的变革。考试系统的重点要解决问题是如何能自动生成一份难易适中的试卷。遗传算法在组卷过程中的解决组卷过程中的题目难易度选择、题目分值的确定等问题。 【关键词】 网络在线考试；试题难易度；遗传算法 在这高速发展的信息时代中的一名高校教师，怎样才能把高效、便捷的现代化教学手段充分利用到教学的整个流程中是我们每个人都应该深思与深入研究的一个课题。 计算机的处理速度快的优势能在网络在线考试系统中充分的被体现，网络在线考试系统可以从考试的各个方面去总结与分析，分析

2、的结果将会更详细、层次会更高，第一可以使学生细致解自己的不足，查缺补漏；第二能及时的让教师了解到学生的学习状况，从而发现教学中的问题，改进教学方式，对教学改革的优化，教学效果和教学质量的提高都有非常重大的意义。通过在线考试提供的题库管理系统，使题库内容不断丰富，使试题的覆盖面更宽广，可以对题库的难度以及区分度进行更准确地判定并且可以合理的设置，从而可以更清楚地了解到考生对于知识的掌握程度。 （1）教师制作考卷：教师在计算机中利用办公软件如 WORD 等工具制作好试题并带入系统生成考卷，并运用系统程序的多种功能实现对考卷的建立、删除、分类、修改等操作。 （2）考试由教师安排组织：服务器的考试程序

3、由教师事先设置好，准备考试，随后在学校机房和局域网组织学生统一进入考试系统参加考试，通过服务器在规定的时间内进行考试，学生可以在学校机房进入局域网参加考试。 （3）试卷批阅：试卷题型可以分为主观题与客观题。在考试结束后，由在线考试的服务器端进行客观题的阅卷工作，而主观试题则由授课老师进行人工批阅，最后由系统自动把两个部分成绩组合形成完成的成绩。（4）试卷和学生考试成绩提交：网络在线考试系统迅速的将批阅后的试卷与统计好的学生成绩转交给系统的成绩分析模块。 自动组卷系统研究的主要解决的问题是在保证其科学性、客观性、随机性的基础上又要保证自动生成的试卷既能满足出卷教师的需要。因此，简单通用、高效的智

4、能化组卷计算法作为研究热点，是自动组卷实现的又一关键技术。 针对题库系统来说，基本的功能要求就是能选出符合教师要求的试卷，对其考试结果进行定量分析。自动组卷技术能把教育重点、组卷技术和计算机技术三者结合起来，组成使用方便，对使用教师没有专业要求，又要符合题型分布要求且比较客观和规范性好的试卷。采用智能化组卷方法得出的试卷对学生进行考核，科学分析考试结果，针对知识在学生中掌握情况能够进行有效的把握，并能依据考试结果对学生进行有针对性的教育工作，达到查缺补漏的目的，并进行相应的教学反馈，进一步完善题库系统，智能组卷功能，根据相关数据有针对的指导教育学生。 组卷策略，指的是具体的条件参数和对这些参数

5、进行变换算法。通常一个卷组策略由一个自动组卷过程来组成一份，能够让考生实际使用的试卷，这个过程首先需要输入一些条件参数，考试系统对这些参数进行对比筛选，挑出最适合参数要求的试题，这些试题最终被组合成为一份考卷。通常一个完整的卷组策略由三部分组成，即试题属性项定义、组卷参数定义和变换算法说明。一个组卷方案执行起来，需要一个能够根据多种条件来设计组卷方案的组卷人，组卷人能够依照方案到题库中选择符合条件的题目，设计出一份教师自己满意的考卷。 在目前算法中大家常用的的组卷算法主要有回溯试探法、随机抽取法、遗传算法三种： （1）回溯试探法：回溯试探法每进行一次就会出现一种新状态类型，每次进行都采用记录随

6、机选取法，假若此次搜索失败则释放最近一次记录的状态，以破坏选题的随机性而产生一定的规律，来变换出一种新状态类型，再行试探。反复回溯试探后，要么生成试卷，要么重新退回原点。 （2）随机选取法：此方法主要在状态空间控制指标下，重复地从题库中随机抽取试探放入试卷，直到题库已经没有符合控制指标的试题，或者完成整个组卷。 （3）遗传算法：遗传算法是一种模仿生物进化论模式的计算模型，关系到遗传与自然淘汰的问题。二十世纪七十年代中期就有相关学者提出这一方法。学者与其研究小组围绕两个宗旨来进行遗传算法的研究。一、是设计具有自然系统机理的人工系统，二、是抽取和解释自然系统的自适应过程。毋庸置疑，人类的人工系统、

7、地球的自然系统都因为这位学者研究内容而有了更深的意义。 要解决一些相对较为困难的问题，遗传算法是再适合不过的方式了，通过一些简单的编码技术及繁殖机制来表现复杂现象即可。遗传算法不受空间的限制性假设约束，一些连续性、单峰、导数存在等假设也没有做强制要求，遗传算法固有的并行性让其简单通用，鲁棒性强。在优化、机器学习和并行处理等等领域，遗传算法都在被广泛运用着，这也算是新时代最智能的优化算法之一了。 其中，为了实现试卷的自动生成，组卷策略构成其前提条件。试卷的难易水平、知识覆盖范围、可信度以及区分度都受到其直接影响。它直接决定了网上试卷系统的科学性和有效性。 考试系统采用了遗传算法，该算法在 Mor

8、gan 提出的基因理论和Eldridge 等科学家的间断平衡理论的基础上，吸收了 Morgan 的边缘物种形成的理论等一些思想，模拟达尔文所提出的自然遗传选择学说，其中包括了基因遗传、基因突变和优胜劣汰 3 个阶段，其中基因遗传用和基因突变又称为继承和进化。它是一种根据条件来进行查找的算法，融合了自然界中物种的适者生存、不适者淘汰的自然进化所选择的机制和同一个群体中个体之间信息进行随机交换的机制。 我们通过给试题作属性值得定义并采用遗传算法进行优化，更好地实现自动筛选，其属性值包括如下： 试题编号 TP。以试题编号为主键来区分不同类型的题目，其中主要分成三级（AAC，BEB）代码标注，包括了：

9、学科、提型、题号。 知识点 K。同样采用三级（125，356）代码标注，含义分别为：章、节、知识点。 难度 D。难易程度需要参照学生的具体情况来定，如公式（1）所示， （1） 其中，试题的 Si 代表试题的平均分数，Fi 表示满分分数。如果 Di为 0，则表示回答正确的人数为 0，反映出题目过于难。而如果 Di 为 1，则表示对于每一个同学都能够回答正确该题目，反映出题目又过于简单。因此对于检测学生具体情况而言，这两种情况都是没有意义的。一份难度适宜的考卷，其平均的难以程度应该保持在 0.4-0.6 之间，符合正态分布的规律，这样才能真正达到反映考生实际情况的目的。 计算试卷难度的公式（2）如

10、下： （2） 其中 p 代表着试卷的整体难易程度，m 代表着题量，Pi 代表着第 i题的难度，Fi 代表着第 i 题的分数。根据 P 值的不同，我们将书卷分成5 种，0-0.2 为难度非常大；0.2-0.4 为难度较大；0.4-0.6 为难度适中；0.6-0.8 为难度较低；0.8-1.0 为难度最低。在自动生成试卷时，可以根据具体情况来是定义不同的值。 区分度 Q。由于考生的水平存在不同程度上的差异，试题需要给出不同的区分程度。考题程度的划分可以根据学生的总分数分成高分组和低分组，高分组包括了前 35%，低分组包括了其他学生，试题的区分度可由下公式得到（3） （3） 公式（3）中，Qi 代表

11、了第 i 道题目的区分度，针对第 i 题而言，Hi代表高分组学生的平均成绩，Li 低分组学生的平均成绩，总得分则由 Fi表示。如果 Qi=0，那么高分组和低分组的考生的得分是相同的，不能用于区分考生水平；Qi0 则意味着属于正常范围，如果其值能够大于0.3，则更好。 对于试卷的区分度，可以通过下面的公式来计算。如式（4） （4） 公式（4）中，其中 Q 代表着试卷区分度，针对第 i 题而言，Qi 代表其区分度，Fi 代表着总分值。对于系统生成的试卷，它能够完成检测学生水平的功能。如果试卷区分度太小，则不能很好的反映学生水平的差异。对于试题的区分度，需要首先由任课教师来预设，然后再根据实际的情况

12、进行调整。对于大多数情况而言，标准为：优秀试卷在 0.8 以上，良好试卷介于 0.4 到 0.8 之间，勉强合格为 0.3 到 0.4 之间，而 0.3 以下则为差试卷。 时间 T。它代表的是某些特定学生在完成某道特定试题时所要花费的时间，计时单位为分钟。 分数 M。该试题的总分值。 曝光度 E。代表着同一道试题出现在两份试卷之间的时间间隔。E用来决定该试题是否应该被选入。计算公式如下（5） （5） 其中 Sa 代表着题目最近出现在试卷时，该试卷的试卷号；Sb 为当前试卷的试卷号；G 为同一道试题出现在两套试卷中的最小时间间隔。对于Ei，如果大于 1，则代表该试题可以被选择；如果小于 1，则该

13、试题不能被选择；这样可以平均每一道试题出现的次数。 通过上述的方法可以生成题量适中、重点难点突出的优秀试卷。 总体说来遗传算法是计算机科学人工智能领域中用于解决最优化的一种搜索启发式算法，是进化算法的一种。这种启发式通常用来生成有用的解决方案来优化和搜索问题。该算法在自动组卷算法中是一种比较先进的算法。 【参考文献】 1王祥金.一个智能在线考试系统的设计与实现D，济南：山东大学硕士学位论文，2011 2陈瑛琦，雷相波.改进遗传算法组卷系统的研究与实现J.电脑编程技巧与维护。2009，1（18）：33-35 3李阳明，贾电如.基于模糊理论的主观题自动评分算法研究与实现J.微型计算机应用，2008，29（10）：17-18 4商俊燕.一个基于 WEB 环境的在线考试系统D，东南大学硕士学位论文，2009 【作者简介】 周晓雨，江苏财经职业技术学院教务处电教科科长。