基于人工智能的试卷难度系数评定方法、装置及设备

摘要

本发明涉及人工智能技术领域，具体涉及基于人工智能的试卷难度系数评定方法、装置及设备。该方法包括：获取知识点类别特征；根据知识点类别特征和每道试题的失分率获取每个知识点的关注度指标；通过失分率向量结合关注度指标获取每个知识点的失分权重，以失分权重作为失分率向量的权重获取每个学生的学习能力指标；利用模糊均值聚类算法对学习能力指标进行聚类，获取每个学生属于中等分学生的隶属度，根据所有学生的历史成绩和隶属度获得每张历史试卷的难度系数；构建历史试卷的特征矩阵，利用特征矩阵和难度系数建立难度系数评定网络，以评定试卷的难度系数。本发明实施例能够利用不同学生对难度系数的敏感程度不同，得到准确的难度系数。

说明书

技术领域

本发明涉及人工智能技术领域，具体涉及基于人工智能的试卷难度系数评定方法、装置及设备。

背景技术

试卷难度系数是反应试卷难易程度的数据，难度系数越大表示试卷的失分率越高，试题区分度越大。专家在进行试卷出题时，要准确把握试卷题目的难度系数，既要保证试卷具有一定的区分度，全面地了解、掌握学生的学习情况，又要避免试卷难度过大损伤学生的学习积极性和自信心，所以需要一种试卷难度系数的评定方法，以确保试卷的难度水平。

发明人在实践中，发现上述现有技术存在以下缺陷：

目前试卷自动生成系统往往通过所有学生的平均得分判定难度系数，没有考虑到学生的学习能力不同，对试卷难度的敏感程度也不同，可能会错误评估试卷的难度，不能准确恰当地评定学生的学习情况。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的试卷难度系数评定方法、装置及设备，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种基于人工智能的试卷难度系数评定方法，该方法包括以下步骤：

获取历史试卷的文本信息，通过对所述文本信息分类获取知识点类别特征；根据所述知识点类别特征和每道试题的失分率获取每个知识点的关注度指标；

获取每个学生的历史成绩，根据所述历史成绩获取所述每个学生对每个知识点的失分情况，组成失分率向量；通过所述失分率向量结合所述关注度指标获取每个知识点的失分权重，以所述失分权重作为所述失分率向量的权重获取所述每个学生的学习能力指标；

利用模糊均值聚类算法对所述学习能力指标进行聚类，获取所述每个学生属于中等分学生的隶属度，根据所有学生的所述历史成绩和所述隶属度获得每张历史试卷的难度系数；

依据所述知识点类别特征、所述关注度指标以及所述文本信息构建所述历史试卷的特征矩阵，利用所述特征矩阵和所述难度系数建立难度系数评定网络，以评定试卷的难度系数。

优选的，所述失分率的获取方法为：

获取所有学生的每道试题的平均成绩，根据所述平均成绩获取所述失分率。

优选的，所述关注度指标的获取步骤包括：

根据所述知识点类别特征获取目标知识点在某张历史试卷中的考察次数，根据考察目标知识点的所有试题的所述失分率与所述考察次数获取所述目标知识点在该试卷的初始关注度指标；

根据所述目标知识点在所有历史试卷的初始关注度指标获取所述目标知识点的所述关注度指标。

优选的，所述失分率向量的获取方法为：

根据每个学生的历史成绩获取每道试题的第一失分率，以所述每个学生在考察所述目标知识点的历史试题上的第一失分率平均值作为第二失分率；所有所述目标知识点的所述第二失分率组成所述失分率向量。

优选的，失分权重的获取步骤包括：

根据所有学生的所述第二失分率的差异获取所述目标知识点的失分权重因子；

根据所述目标知识点的所述关注度指标和所述失分权重因子获取所述失分权重。

优选的，学习能力指标的获取步骤包括：

根据所述失分权重和所述第二失分率获得每个学生对所述目标知识点的学习能力指标；

根据所有所述目标知识点的学习能力指标获取每个学生的所述学习能力指标。

优选的，所述隶属度的获取步骤包括：

根据所述学习能力指标分别获取高分学生、中等分学生和低分学生的初始聚类中心；

为所有学生随机分配一个属于所述初始聚类中心的初始隶属度，利用所述模糊均值聚类算法对所述初始隶属度进行更新，获取隶属度矩阵；

根据所述隶属度矩阵获取每个学生属于所述中等分学生的隶属度。

优选的，所述难度系数的获取方法为：

将所有学生的所述隶属度进行归一化，获取难度权重，根据所有学生的试卷得分率和所述难度权重获取所述难度系数。

第二方面，本发明另一个实施例提供了一种基于人工智能的试卷难度系数评定装置，该装置包括以下模块：

关注度指标获取模块，用于获取历史试卷的文本信息，通过对所述文本信息分类获取知识点类别特征；根据所述知识点类别特征和每道试题的失分率获取每个知识点的关注度指标；

学习能力指标获取模块，用于获取每个学生的历史成绩，根据所述历史成绩获取所述每个学生对每个知识点的失分情况，组成失分率向量；通过所述失分率向量结合所述关注度指标获取每个知识点的失分权重，以所述失分权重作为所述失分率向量的权重获取所述每个学生的学习能力指标；

难度系数获取模块，用于利用模糊均值聚类算法对所述学习能力指标进行聚类，获取所述每个学生属于中等分学生的隶属度，根据所有学生的所述历史成绩和所述隶属度获得每张历史试卷的难度系数；

难度系数评定网络建立模块，用于依据所述知识点类别特征、所述关注度指标以及所述文本信息构建所述历史试卷的特征矩阵，利用所述特征矩阵和所述难度系数建立难度系数评定网络，以评定试卷的难度系数。

第三方面，本发明另一个实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于人工智能的试卷难度系数评定方法的步骤。

本发明实施例至少具有如下有益效果：

本发明实施例基于学习能力对学生进行分类，利用学生对不同学习能力类别的隶属度反映对难度系数的敏感程度，能够考虑到实际情况中学生的学习能力和历史成绩不同使得其对难度系数的敏感度不同，即试卷难度系数的变化对其成绩的影响程度不同，得到准确的难度系数。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种基于人工智能的试卷难度系数评定方法的流程图；

图2为本发明一个实施例所提供的一种基于人工智能的试卷难度系数评定方法的步骤流程图；

图3为本发明一个实施例所提供的一种基于人工智能的试卷难度系数评定装置的结构框图；

图4为本发明一个实施例所提供的一种电子设备的内部结构图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的试卷难度系数评定方法、装置及设备，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于人工智能的试卷难度系数评定方法、装置及设备的具体方案。

请参阅图1和图2，图1示出了本发明一个实施例提供的基于人工智能的试卷难度系数评定方法的流程图；图2示出了本发明一个实施例所提供的一种基于人工智能的试卷难度系数评定方法的步骤流程图，该方法包括以下步骤：

步骤S001，获取历史试卷的文本信息，通过对文本信息分类获取知识点类别特征；根据知识点类别特征和每道试题的失分率获取每个知识点的关注度指标。

考试时由于试卷篇幅有限，对知识点的考察有偏重，本发明实施例根据各知识点的出现的频率和失分率得到知识点的关注程度。

具体的步骤包括：

1)构建知识点词库。

首次创建n个词典，一个词典对应一个知识点，人为在每一个词典中存入对应知识点的关键词，该关键词应为分类效果明确的词。

作为一个示例，知识点《牛顿第二定律》的关键词可设置为：加速度、作用力等。

2)获取知识点类别特征。

获取历史试卷的文本信息，包括每一个试题的文本信息。对编号为i的试题的文本信息进行分词处理，利用分词后的词向量与知识点词库进行匹配得到编号为i的试题考察的知识点，得到知识点类别特征

在本发明实施例中历史试卷为最近五年内同一课程的试卷数据。

需要说明的是，一个试题考察的知识点不止一个，根据考试的范围确定知识点的数量n，

3)获取每道试题的失分率。

获取所有学生的每道试题的平均成绩，根据平均成绩获取失分率。

失分率α的计算方法为：

其中，S

以试题的失分率作为知识点的失分率，数值越大，表示该知识点考察的难度就越大。

根据每道试题的失分率获取知识点得分向量

4)获取每个知识点的关注度指标。

具体的：

a.根据知识点类别特征获取目标知识点在某张历史试卷中的考察次数，根据考察目标知识点的所有试题的失分率与考察次数获取目标知识点在该试卷的初始关注度指标。

第j张试卷中目标知识点b的初始关注度指标

其中，N

b.根据目标知识点在所有历史试卷的初始关注度指标获取目标知识点的关注度指标。

目标知识点b的关注度指标A

其中，N

按照相同的方法可得到n个知识点的关注度指标，关注度指标的取值范围为[0，1]。

步骤S002，获取每个学生的历史成绩，根据历史成绩获取每个学生对每个知识点的失分情况，组成失分率向量；通过失分率向量结合关注度指标获取每个知识点的失分权重，以失分权重作为失分率向量的权重获取每个学生的学习能力指标。

具体的步骤包括：

1)获取每个学生的失分率向量。

根据每个学生的历史成绩获取每道试题的第一失分率，以每个学生在考察目标知识点的历史试题上的第一失分率平均值作为第二失分率；所有目标知识点的第二失分率组成失分率向量。

以第d个学生为例，使用与步骤S001相同的方法根据该学生每道试题的得分获取每道试题的第一失分率，对应的，每道试题考察的知识点的失分率均为该第一失分率；所有考察目标知识点的试题的第一失分率的平均值为目标知识点的第二失分率；由所有目标知识点的第二失分率组成了第d个学生的n维的失分率向量Q。

2)获取失分权重。

具体的：

a.根据所有学生的第二失分率的差异获取目标知识点的失分权重因子。

获得所有学生对目标知识点b的第二失分率，记学生总数为Num，得到Num个数据构成的数据集合，计算该数据集合的方差σ

获得目标知识点b的失分权重因子w

b.根据目标知识点的关注度指标和失分权重因子获取失分权重。

知识点关注度指标反映试卷对各知识点的关注程度，目标知识点b的失分权重W

W

3)计算学生的学习能力指标。

根据失分权重和第二失分率获得每个学生对目标知识点的学习能力指标；根据所有目标知识点的学习能力指标获取每个学生的学习能力指标。

学习能力指标的计算方法为：

其中，β表示学习能力指标，α

β越大表示学习能力越强，对各知识点的掌握情况越好。

需要说明的是，学习能力指标是一个相对的概念，若一个知识点所有学生的失分率都很低则该知识点并不能反应学习能力，因此本发明实施例通过失分权重和学生的失分率共同获取学习能力指标。

步骤S003，利用模糊均值聚类算法对学习能力指标进行聚类，获取每个学生属于中等分学生的隶属度，根据所有学生的历史成绩和隶属度获得每张历史试卷的难度系数。

具体的步骤包括：

1)获取每个学生属于中等分学生的隶属度。

具体的，根据学习能力指标分别获取高分学生、中等分学生和低分学生的初始聚类中心；为所有学生随机分配一个属于初始聚类中心的初始隶属度，利用模糊均值聚类算法对初始隶属度进行更新，获取隶属度矩阵；根据隶属度矩阵获取每个学生属于中等分学生的隶属度。

模糊C均值聚类算法的步骤为：选择列别的数目为3，初始化一个隶属度矩阵U，通过最小化目标函数J来实现聚类：

其中，β

需要说明的是，上述目标函数的约束条件为

2)获取每张历史试卷的难度系数。

将所有学生的隶属度进行归一化，获取难度权重，根据所有学生的试卷得分率和难度权重获取难度系数。

对每一个学生属于中等分学生的隶属度进行归一化操作，得到归一化系数，即难度权重，第d个学生的归一化系数

其中，γ

根据每个学生的归一化系数和考试成绩得到每张历史试卷的难度系数δ：

其中，Score

获得历史试卷信息库中每一个试卷的难度系数δ。

现有技术中难度系数的计算是通过求得所有学生的均值来评定的，忽略了学生历史成绩和学习能力的差异，学习能力强和学习能力差的学生成绩受难度系数变化的影响并不大，学习能力位于中间水平的学生成绩更能反应试卷难度的变化，即不同学生的学习能力对难度系数的敏感程度不同，基于模糊C均值聚类能够得到学生成绩对试卷难度的敏感程度，得到准确的试卷难度系数。

步骤S004，依据知识点类别特征、关注度指标以及文本信息构建历史试卷的特征矩阵，利用特征矩阵和难度系数建立难度系数评定网络，以评定试卷的难度系数。本发明实施例能够利用不同学生对难度系数的敏感程度不同，得到准确的难度系数。

具体的步骤包括：

步骤S003中获得了每张历史试卷的准确的难度系数δ，用该系数作为标签数据，用对应的历史试卷的特征矩阵作为训练数据，训练一个神经网络。该神经网络的输入为试卷的特征矩阵，输出为试卷的难度系数。

试卷特征矩阵的构建方法如下：

1)按照试题编号对试卷信息进行切分，按照步骤S001的方法获得每一个题目考察的知识点，得到知识点类别特征向量

2)获得

3)对题目的文本信息利用词向量进行语义信息提取，将提取后的语义信息利用降维技术得到固定维度为T的语义向量，得到一个题目的特征向量

4)按照试题编号的顺序进行堆叠，得到试卷的特征矩阵。

5)对于每一张历史试卷按照1)-4)的方法获得试卷特征矩阵。

神经网络为Encoder+FC结构，以历史试卷信息库中每一个试卷的试卷特征矩阵为训练集，难度系数δ作为标签，损失函数为均方差函数，使用梯度下降法更新网络参数完成训练。

在难度系数评估阶段，利用相同的方法获得待评估试卷的特征矩阵，输入该神经网络得到该试卷对应的难度系数。

作为一个示例，本发明实施例中Encoder采用ResNet结构，在其他实施例中，也可以采用SENet等能够达到相同效果的网络结构。

综上所述，本发明实施例获取历史试卷的文本信息，通过对文本信息分类获取知识点类别特征；根据知识点类别特征和每道试题的失分率获取每个知识点的关注度指标；获取每个学生的历史成绩，根据历史成绩获取每个学生对每个知识点的失分情况，组成失分率向量；通过失分率向量结合关注度指标获取每个知识点的失分权重，以失分权重作为失分率向量的权重获取每个学生的学习能力指标；利用模糊均值聚类算法对学习能力指标进行聚类，获取每个学生属于中等分学生的隶属度，根据所有学生的历史成绩和隶属度获得每张历史试卷的难度系数；依据知识点类别特征、关注度指标以及文本信息构建历史试卷的特征矩阵，利用特征矩阵和难度系数建立难度系数评定网络，以评定试卷的难度系数。本发明实施例能够利用不同学生对难度系数的敏感程度不同，得到准确的难度系数。

基于与上述方法相同的发明构思，本发明另一个实施例提供了一种基于人工智能的试卷难度系数评定装置，请参阅图3，该装置包括以下模块：

关注度指标获取模块1001、学习能力指标获取模块1002、难度系数获取模块1003以及难度系数评定网络建立模块1004。

关注度指标获取模块用于获取历史试卷的文本信息，通过对文本信息分类获取知识点类别特征；根据知识点类别特征和每道试题的失分率获取每个知识点的关注度指标；学习能力指标获取模块用于获取每个学生的历史成绩，根据历史成绩获取每个学生对每个知识点的失分情况，组成失分率向量；通过失分率向量结合关注度指标获取每个知识点的失分权重，以失分权重作为失分率向量的权重获取每个学生的学习能力指标；难度系数获取模块用于利用模糊均值聚类算法对学习能力指标进行聚类，获取每个学生属于中等分学生的隶属度，根据所有学生的历史成绩和隶属度获得每张历史试卷的难度系数；难度系数评定网络建立模块用于依据知识点类别特征、关注度指标以及文本信息构建历史试卷的特征矩阵，利用特征矩阵和难度系数建立难度系数评定网络，以评定试卷的难度系数。

基于与上述方法相同的发明构思，本发明另一个实施例提供了一种电子设备。

请参阅图4，其示出了本发明实施例提供的一种电子设备的示意图。该实施例的电子设备包括：处理器、存储器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述基于人工智能的试卷难度系数评定方法实施例中的步骤，例如图2所示的步骤。或者，处理器执行计算机程序时实现上述基于人工智能的试卷难度系数评定装置实施例中各模块的功能。

示例性的，计算机程序可以被分割成一个或多个模块，其中一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。其中一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述电子设备中的执行过程。

电子设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，示意图仅仅是电子设备的示例，并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如电子设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，该处理器是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。