结合关联分析与神经网络的试卷难度预测方法研究

发布时间：2020-06-16 16:11

【摘要】：随着现代信息技术的不断发展,教育信息化已经成为高校教育管理中的必要措施。计算机的普及以及存储性能的提高使教育领域积累了大量考试信息数据,但大部分数据的潜在信息都未被挖掘,造成数据资源浪费。考试作为评判学生学业水平的主要评价指标,课程考试中试卷质量就显得尤为重要,而难度作为衡量试卷质量的关键,若能提供一种试卷难度预测方法,便可为教学者提供丰富的事前反馈与建议。本文的主要研究内容如下:(1)基于关联分析的知识点关联性挖掘方法研究。针对大量数据中潜在信息未被挖掘的现象,本研究构建了一种基于关联分析的知识点关联性挖掘方法。首先,通过对比选取适用于知识点关联性挖掘的算法;然后,详细论述了构建的知识点关联性挖掘方法的主要步骤,对原始数据离散化处理,从两个方面对知识点进行关联分析,包括根据得分率高低构建样本数据进行分类挖掘、根据知识点样本占总数据量比例不同进行分层挖掘。最后,使用本文构建的挖掘方法,挖掘数据库课程中知识点之间的关联性,得出了可靠性较高的各知识点间的关联规则表,用以度量知识点关联性的强度。此外,该成果还可为本研究中试卷难度预测方法提供数据输入支撑。(2)基于神经网络的试卷难度预测方法及其优化研究。由于试卷难度的影响因素较复杂且难抽取,难以直接预测,因此本文采用先得出试卷中各试题预测难度,后得出试卷预测难度的方式,构建了一种基于神经网络的试卷难度预测方法,并结合知识点关联性对该方法进行优化。首先,本研究通过构建径向基(RBF)神经网络预测模型对试题难度进行预测,并采用最近邻聚类算法对RBF模型的中心选取进行优化;然后,基于加权累加试题难度的传统试卷难度计算方法,结合试卷中各知识点的关联性得出优化后的试卷预测难度结果;最后,通过实验表明:1)优化后的RBF预测模型准确率达到87%,且在精确率、召回率等指标上均优于RBF神经网络、误差逆传播(BP)神经网络、Levenberg Marquardt(LM)神经网络以及极端梯度提升(XGBoost)算法等预测模型;2)与传统试卷难度计算方法相比,结合知识点关联性考量得出的试卷预测难度与真实难度的平均绝对误差降低了13%,说明了融合试题难度与知识点关联性的试卷难度预测方法的准确性更高。(3)教学辅助系统的设计与实现。该系统以Spring Boot结合MyBatis作为开发框架,使用Echarts图形库实现前台界面可视化,结合POI实现数据集表格上传,将挖掘的知识点关联性以及试卷难度预测方法应用于系统中,最终以报告单的形式展示挖掘分析与预测结果,为教师教学提供建议。
【学位授予单位】：西北农林科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP183;G424.79
【图文】：

数据录入,知识点,相关数据,上传

数据录入测试结果

关联性分析,知识点,试卷难度,试卷

图 5-3 知识点关联性分析结果Fig. 5-3 Knowledge Point Association Analysis Results（3）试卷预测难度展示模块测试。基于试题预测难度对试卷难度预测方法作支撑，依据传统试卷难度计算方法，本文构建了结合知识点关联性优化的试卷难度预测方法，与真实难度对比，对教师教学提供建议，对试卷信息进行上传后，点击试卷难度预测，经过模型训练最后可得出由本文构建的方法得出的试卷预测难度值，如下图 5-4 所示。

【相似文献】