一種用于試題庫(kù)質(zhì)量評(píng)估的方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于數(shù)據(jù)融合技術(shù)領(lǐng)域，尤其涉及試題庫(kù)質(zhì)量的智能評(píng)估。
【背景技術(shù)】
[0002] 隨著國(guó)民經(jīng)濟(jì)建設(shè)和國(guó)民生活水平的日漸提升，為逐步縮小社會(huì)教育事業(yè)與經(jīng)濟(jì) 文化發(fā)展間的差距，我國(guó)已從多方面推動(dòng)、促進(jìn)著教育領(lǐng)域的改革。但資源的缺乏與日益漸 長(zhǎng)的需求間的矛盾愈見(jiàn)突出，如何有效提高教育質(zhì)量，滿(mǎn)足廣大民生的需求，是當(dāng)前教育研 宄者所面臨的刻不容緩的問(wèn)題。
[0003] 隨著教育改革的深入，科學(xué)合理的評(píng)價(jià)學(xué)生的能力是一項(xiàng)重要的組成部分。試卷 形式的考試一直是評(píng)價(jià)學(xué)生能力的重要形式，試卷質(zhì)量的高低直接關(guān)系到學(xué)生能力評(píng)測(cè)的 準(zhǔn)確性。因此，高質(zhì)量的試卷尤其重要。那么如何評(píng)價(jià)試卷質(zhì)量的高低則是關(guān)注的重點(diǎn)。

【發(fā)明內(nèi)容】

[0004] 有鑒于此，本發(fā)明的一個(gè)目的是提供一種用于試題庫(kù)質(zhì)量評(píng)估的方法。為了對(duì)披 露的實(shí)施例的一些方面有一個(gè)基本的理解，下面給出了簡(jiǎn)單的概括。該概括部分不是泛泛 評(píng)述，也不是要確定關(guān)鍵/重要組成元素或描繪這些實(shí)施例的保護(hù)范圍。其唯一目的是用 簡(jiǎn)單的形式呈現(xiàn)一些概念，以此作為后面的詳細(xì)說(shuō)明的序言。
[0005] 本發(fā)明提供了一種用于試題庫(kù)質(zhì)量評(píng)估的方法，包括：
[0006] 建立試題庫(kù)質(zhì)量評(píng)估量化模型，確定質(zhì)量評(píng)估指數(shù)，包括試題信度指數(shù)、試題效度 指數(shù)、成績(jī)分布指數(shù)、試題區(qū)分度指數(shù)和試題難度指數(shù)中的一個(gè)或者多個(gè)；
[0007] 根據(jù)所述質(zhì)量評(píng)估指數(shù)初始化BP神經(jīng)網(wǎng)絡(luò)；
[0008] 使用基于免疫機(jī)理的粒子群（M-PSO)算法確定所述BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾 值；
[0009] 根據(jù)所述初始權(quán)值和閾值，使用由所述質(zhì)量評(píng)估指數(shù)構(gòu)成的訓(xùn)練樣本，訓(xùn)練得到 用于試題庫(kù)質(zhì)量評(píng)估的BP神經(jīng)網(wǎng)絡(luò)。
[0010] 在一些可選的實(shí)施例中，可以采用重測(cè)法、復(fù)本法、半分法、庫(kù)李法，或者克朗巴赫 公式計(jì)算試題信度指數(shù)。
[0011] 在一些可選的實(shí)施例中，采用克朗巴赫公式計(jì)算試題信度指數(shù)為γ :
[0012]
【主權(quán)項(xiàng)】
1. 一種用于試題庫(kù)質(zhì)量評(píng)估的方法，其特征在于，包括： 建立試題庫(kù)質(zhì)量評(píng)估量化模型，確定質(zhì)量評(píng)估指數(shù)，包括試題信度指數(shù)、試題效度指 數(shù)、成績(jī)分布指數(shù)、試題區(qū)分度指數(shù)和試題難度指數(shù)中的一個(gè)或者多個(gè)； 根據(jù)所述質(zhì)量評(píng)估指數(shù)初始化BP神經(jīng)網(wǎng)絡(luò)； 使用基于免疫機(jī)理的粒子群頂-PSO算法確定所述BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值； 根據(jù)所述初始權(quán)值和閾值，使用由所述質(zhì)量評(píng)估指數(shù)構(gòu)成的訓(xùn)練樣本，訓(xùn)練得到用于 試題庫(kù)質(zhì)量評(píng)估的BP神經(jīng)網(wǎng)絡(luò)。
2. 如權(quán)利要求1所述的方法，其特征在于： 采用重測(cè)法、復(fù)本法、半分法、庫(kù)李法，或者克朗巴赫公式計(jì)算試題信度指數(shù)。
3. 如權(quán)利要求2所述的方法，其特征在于： 采用克朗巴赫公式計(jì)算試題信度指數(shù)γ包括：
其中：
m為試題個(gè)數(shù)； σ」為第j題學(xué)生得分標(biāo)準(zhǔn)差 其中：η為參加考試的學(xué)生個(gè)數(shù)， I z Xij為第i位學(xué)生在第j題的得分，^為第j題學(xué)生所得平均分； σ為學(xué)生總分標(biāo)準(zhǔn)差，
其中：η為參加考試的學(xué)生個(gè)數(shù)，Xi為第i 位學(xué)生總分，X為所有學(xué)生總分的平均分。
4. 如權(quán)利要求1所述的方法，其特征在于： 采用半分法計(jì)算試題效度為vxy:
其中，η為奇數(shù)批或偶數(shù)批考生的人數(shù)；^和y i分別為奇數(shù)批和偶數(shù)批中第i位學(xué)生 的試卷得分；X和y分別為奇數(shù)批和偶數(shù)批考生群體的平均分；\和S y分別為奇數(shù)批和偶 數(shù)批考生群體總分的標(biāo)準(zhǔn)差。
5. 如權(quán)利要求1所述的方法，其特征在于： 采用鑒別指數(shù)法計(jì)算試題區(qū)分度指數(shù)D : D = Ph-P1 其中，Ph為高分組學(xué)生在被測(cè)試題上的通過(guò)率T1為低分組學(xué)生在被測(cè)試題上的通過(guò) 率。
6. 如權(quán)利要求1所述的方法，其特征在于： 對(duì)于客觀題，計(jì)算題難度指數(shù)為義,=4， 其中：
為正確率；K為備選答案數(shù)； 對(duì)于主觀題，計(jì)算試題難度指數(shù)為= 4， 其中： ZP，. X為被測(cè)學(xué)生在該試題的平均得分；Y為該試題的總分。
7. 如權(quán)利要求1-6所述的方法，其特征在于，所述使用M-PSO算法確定所述BP神經(jīng)網(wǎng) 絡(luò)的初始權(quán)值和閾值包括： 執(zhí)行IM-PSO參數(shù)初始化； 對(duì)粒子進(jìn)行實(shí)數(shù)編碼，產(chǎn)生粒子種群，得到粒子初始位置和速度； 確定初始個(gè)體極值和初始群體極值，其中：初始個(gè)體極值是粒子的初始位置；初始群 體極值是通過(guò)評(píng)估每個(gè)粒子的適應(yīng)度值，選擇適應(yīng)度最小值對(duì)應(yīng)的位置作為初始群體極 值； 執(zhí)行IM-PSO個(gè)體更新，包括更新粒子的速度、位置、個(gè)體極值和群體極值； 執(zhí)行尋優(yōu)質(zhì)量檢查，如果群體最優(yōu)有明顯變化，執(zhí)行頂-PSO個(gè)體更新步驟；如果群體 最優(yōu)無(wú)明顯變化，則進(jìn)入免疫更新階段，包括：逐一計(jì)算并判斷群體中各粒子的替換概率， 當(dāng)粒子的替換概率超出免疫替換閥值時(shí)，隨機(jī)產(chǎn)生一新的粒子替換原粒子，當(dāng)粒子的替換 概率未超出免疫替換閥值時(shí)，保持原粒子； 當(dāng)滿(mǎn)足預(yù)設(shè)的停止條件時(shí)，以個(gè)體集合中適應(yīng)度值最好的個(gè)體作為全局最優(yōu)解，得到 初始權(quán)值和閾值。
8. 如權(quán)利要求7所述的方法，其特征在于： 粒子適應(yīng)度函數(shù)為期望的輸出與通過(guò)網(wǎng)絡(luò)得到的預(yù)測(cè)值之間的絕對(duì)值誤差之和： 、木11
於湖U4示第i個(gè)節(jié)點(diǎn)的估計(jì)輸出；η為BP神經(jīng)網(wǎng)絡(luò) 的輸出節(jié)點(diǎn)數(shù)。
9. 如權(quán)利要求7所述的方法，其特征在于： 粒子位置更新方程是：Xij(t+l) =XijUHvij (t+Ι); 粒子速度更新方程是： Vij (t+1) = WVij (t) +C^1 (Pij (t) -Xij (t)) +c2r2 (gij (t) -Xij (t))； 其中： Xij (t)為第t次迭代時(shí)第i個(gè)粒子的位置，j為第i個(gè)粒子的維度； Xij(t+Ι)為第t+Ι次迭代時(shí)第i個(gè)粒子的位置，即更新后的位置； Vij (t)為第t次迭代時(shí)第i個(gè)粒子的速度； Vij(t+Ι)為第t+Ι次迭代時(shí)第i個(gè)粒子的速度，即更新后的速度； w為慣性權(quán)重； cdP c 2為加速因子； !T1和;r 2為分布在區(qū)間（0,1)上的隨機(jī)變量； Pij(t)為第t次迭代時(shí)第i個(gè)粒子的當(dāng)前最優(yōu)位置； gij(t)為第t次迭代時(shí)群體當(dāng)前最優(yōu)位置； 更新個(gè)體極值包括：在每次進(jìn)化中，比較當(dāng)前個(gè)體極值與歷史個(gè)體極值，若當(dāng)前個(gè)體極 值更優(yōu)則替換原歷史個(gè)體極值； 更新群體極值：在每次進(jìn)化中，通過(guò)適應(yīng)度函數(shù)比較歷史群體極值與當(dāng)前群體極值，若 當(dāng)前群體極值更優(yōu)則替換原歷史群體極值。
10.如權(quán)利要求7所述的方法，其特征在于： 所述預(yù)設(shè)的停止條件是預(yù)設(shè)的最大迭代次數(shù)或者預(yù)設(shè)的精度。
【專(zhuān)利摘要】本發(fā)明提供了一種用于試題庫(kù)質(zhì)量評(píng)估的方法，包括：建立試題庫(kù)質(zhì)量評(píng)估量化模型，確定質(zhì)量評(píng)估指數(shù)，包括試題信度指數(shù)、試題效度指數(shù)、成績(jī)分布指數(shù)、試題區(qū)分度指數(shù)和試題難度指數(shù)中的一個(gè)或者多個(gè)；根據(jù)所述質(zhì)量評(píng)估指數(shù)初始化BP神經(jīng)網(wǎng)絡(luò)；使用基于免疫機(jī)理的粒子群IM-PSO算法確定所述BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值；根據(jù)所述初始權(quán)值和閾值，使用由所述質(zhì)量評(píng)估指數(shù)構(gòu)成的訓(xùn)練樣本，訓(xùn)練得到用于試題庫(kù)質(zhì)量評(píng)估的BP神經(jīng)網(wǎng)絡(luò)。該方法不僅采用IM-PSO算法的全局搜索能力，同時(shí)由于增強(qiáng)了種群的多樣性，也可避免在搜索過(guò)程中陷入局部最小值，使得算法的搜索精度和運(yùn)行效能得到提升，最終達(dá)到優(yōu)化網(wǎng)絡(luò)的目的。
【IPC分類(lèi)】G06N3-02, G06Q10-06, G06Q50-20
【公開(kāi)號(hào)】CN104732352
【申請(qǐng)?zhí)枴緾N201510155220
【發(fā)明人】張可, 周鵬, 吳小川, 唐東明, 賀穎, 陳華
【申請(qǐng)人】張可, 周鵬, 吳小川
【公開(kāi)日】2015年6月24日
【申請(qǐng)日】2015年4月2日