(中国科学技术大学计算机学院 合肥 230027) (tongw@mail.neea.edu.cn)
出版日期:
2019-05-01基金资助:
全国教育科学规划基金项目(FCB160610);国家自然科学基金项目(61672483,U1605251);中国科协青年人才托举工程&CCF青年人才发展计划项目(CCF-QNRCFZ(17-19)03);中国科学院青年创新促进会会员专项基金项目(2014299)Data Driven Prediction for the Difficulty of Mathematical Items
Tong Wei, Wang Fei, Liu Qi, Chen Enhong(School of Computer Science, University of Science and Technology of China, Hefei 230027)
Online:
2019-05-01摘要/Abstract
摘要: 现代化国家题库系统建设是教育考试改革发展的重要保障,也是促进我国教育考试现代化的重要手段.试题难度是入库试题的核心参数,对于命题、组卷、分数报告甚至是考试公平性保障都有着直接影响.由于我国国家考试的特点,很难通过类似国外考试机构的考前试测等方式提前获取试题难度参数,传统的试题难度评估任务通常由人工完成,即由命题专家对试题难度进行评估.这样的做法耗时耗力,且难以保证客观性,因此借助先进信息技术手段探索试题难度的自动化判断具有较大的研究意义,更是体现着中国特色教育考试背景下的中国智慧和中国解决方案.以利用试题文本和答题记录数据实现数据驱动的数学试题难度自动化预测模型为目标,提出了分别基于卷积神经网络(convolutional neural network, CNN)和循环神经网络(recurrent neural network, RNN)的数学试题难度预测模型C-MIDP(CNN for mathematical item difficulty prediction)和R-MIDP(RNN for mathematical item difficulty prediction),以及二者的混合模型H-MIDP(hybrid model for mathematical item difficulty prediction).具体地,利用所提出的模型直接学习试题文本表征,将考试试题得分率作为标签训练模型,整个过程不需要提供知识标注等教育先验信息.然后,考虑到不同考试中学生群体的不可比性,在训练时提出一种基于context的训练方式;最后,可通过输入试题特征到训练好的模型中进行难度预测.模型在真实的试题数据上取得了较好的实验结果.
参考文献
相关文章 15
[1] | 吴宗友, 白昆龙, 杨林蕊, 王仪琦, 田英杰. 电子病历文本挖掘研究综述[J]. 计算机研究与发展, 2021, 58(3): 513-527. |
[2] | 廖海斌, 徐斌. 基于性别和年龄因子分析的鲁棒性人脸表情识别[J]. 计算机研究与发展, 2021, 58(3): 528-538. |
[3] | 付章杰, 李恩露, 程旭, 黄永峰, 胡雨婷. 基于深度学习的图像隐写研究进展[J]. 计算机研究与发展, 2021, 58(3): 548-568. |
[4] | 古天龙, 冯旋, 李龙, 包旭光, 李云辉. 基于社会新闻数据集的伦理行为判别方法[J]. 计算机研究与发展, 2021, 58(2): 253-263. |
[5] | 陈晋音, 陈奕芃, 陈一鸣, 郑海斌, 纪守领, 时杰, 程瑶. 面向深度学习的公平性研究综述[J]. 计算机研究与发展, 2021, 58(2): 264-280. |
[6] | 李金鹏, 张闯, 陈小军, 胡玥, 廖鹏程. 自动文本摘要研究综述[J]. 计算机研究与发展, 2021, 58(1): 1-21. |
[7] | 孟子尧, 谷雪, 梁艳春, 许东, 吴春国. 深度神经架构搜索综述[J]. 计算机研究与发展, 2021, 58(1): 22-33. |
[8] | 朱泓睿, 元国军, 姚成吉, 谭光明, 王展, 户忠哲, 张晓扬, 安学军. 分布式深度学习训练网络综述[J]. 计算机研究与发展, 2021, 58(1): 98-115. |
[9] | 林培光, 周佳倩, 温玉莲. SCONV:一种基于情感分析的金融市场趋势预测方法[J]. 计算机研究与发展, 2020, 57(8): 1769-1778. |
[10] | 李冬梅, 张扬, 李东远, 林丹琼. 实体关系抽取方法研究综述[J]. 计算机研究与发展, 2020, 57(7): 1424-1448. |
[11] | 胡超文, 邬昌兴, 杨亚连. 基于扩展的S-LSTM的文本蕴含识别[J]. 计算机研究与发展, 2020, 57(7): 1481-1489. |
[12] | 于海涛, 杨小汕, 徐常胜. 基于多模态输入的对抗式视频生成方法[J]. 计算机研究与发展, 2020, 57(7): 1522-1530. |
[13] | 王庆林, 李东升, 梅松竹, 赖志权, 窦勇. 面向飞腾多核处理器的Winograd快速卷积算法优化[J]. 计算机研究与发展, 2020, 57(6): 1140-1151. |
[14] | 成科扬, 王宁, 师文喜, 詹永照. 深度学习可解释性研究进展[J]. 计算机研究与发展, 2020, 57(6): 1208-1217. |
[15] | 王子晔, 苗夺谦, 赵才荣, 罗晟, 卫志华. 基于多粒度特征的行人跟踪检测结合算法[J]. 计算机研究与发展, 2020, 57(5): 996-1002. |
PDF全文下载地址:
https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=3927