[发明专利]少量题目精准探测学生细分薄弱知识点的测评方法及系统

说明书

技术领域

本发明涉及在线测评技术，具体地，涉及一种少量题目精准探测学生细分薄弱知识点的测评方法及系统。

背景技术

当学生刚刚进入一门课的学习，很有可能已经掌握了部分知识点，如果要求学生按部就班的从头学起并不是一种有效的教学手段。我们希望通过尽可能少的题目快速的判断学生已经掌握了那些知识点，那些还没有掌握。在此基础上学生可以学习那些没有掌握的知识点，而不用花费时间去学习已经掌握的知识点。对学生初始状态的推断从某种程度上起到了摸底考试的作用，但是利用自适应学习系统可以使这个过程更加快速高效。

精准诊断学生薄弱知识点是“因材施教”的前提。在传统教学中，老师通过摸底考试、单元测试、期末考试等方式了解学生的知识掌握状态和能力变化。在传统的纸笔测试中，所有学生做相同的题目，测试结果往往只是考试得分以及班级排名。学生、老师、家长通过考试分数判断学生在某一阶段的基础水平、学习结果或综合能力水平。部分优秀的学生则会通过分析错题、建立错题集的方式了解自己的薄弱知识点。但这种通过错题了解薄弱点的方式并不全面、并且低效。优秀的老师也会通过分析学生的易错题的方式了解班级学生的普遍薄弱知识点并调节教学方式，但老师若想了解全班每名学生的知识点掌握情况则非常困难。

为了提高测试的效率和准确性，基于项目反应理论(IRT)的计算机化自适应测试(CAT)被广泛应用在托福、GRE等出国留学考试中。美国的中小学学业测评巨头Renaissance亦采用基于IRT理论的自适应测评。IRT理论的基本思想是：只有在题目难度与学生的能力水平相匹配时，题目所提供的信息量才最大、测试误差最小、测试也就最高效准确。因此，基于IRT的自适应测试会根据学生前面各题的做题结果自动调整下一题的难度，从而实现题目难度和学生能力水平的不断匹配，提高测评效率和准确性。国内的多家基于题库的在线教育公司也实现了基于IRT理论判断学生的能力水平。和传统测评类似，部分现有的自适应测评产品把学生的能力水平划分为多个维度，并相应通过IRT自适应出题判断学生在各个维度上的掌握情况，为学生和老师提供指导意见。但是IRT理论只能有效估计学生在单一或者少数几个维度上的能力水平，无法通过少量题目测出学生在大量知识点上的掌握情况。也就是说，广泛使用的基于IRT的测评的维度划分只能是粗颗粒度，无法达到细分知识点的颗粒度。

只有在细颗粒度上全面地了解每名学生的薄弱知识点才能更有针对性地查漏补缺、高效提分。市场上现有的测评只能判断学生的综合能力水平以及在各个知识板块的能力水平。比如在数学测试中基于各个板块的做题结果判定几何是该学生强项而整式方程式该学生弱项。但整式方程本身是个很大的知识板块，包含五十多个细分知识点，仅仅知道整式方程是薄弱点只能给老师和学生很粗略的指导方向。实际上，该学生既可能是因为没掌握一元二次方程在百分率中的应用而失分，也可能是因为没有掌握用因式分解法解一元二次方程而失分，还可能是因为该学生没掌握一元一次方程的移项，甚至可能是因为没有掌握整式指数幂运算。

在短时间内精准定位学生细颗粒度的薄弱知识点需要充分利用知识点间的前提关系、并结合专家经验和学生大数据。传统测评只能对各知识点进行地毯式排查，效率低下。爱论答精准测评有效利用知识点间的认知先后关系，每一道题的测试结果能反映多个知识点的掌握情况。因此只需对部分知识点出题就能判定大量细分知识点的掌握情况。比如一名学生答对了一元二次方程的题目，不仅说明这名学生掌握了一元二次方程，同时也说明了该学生掌握了一元一次方程，因为掌握一元一次方程是掌握一元二次方程的前提。我们称一元一次方程为一元二次方程的前提知识点。把所有知识点按照前提关系建立关联时，我们得到了一门学科的知识图谱。知识图谱蕴含了知识点间的大量信息，爱论答精准测评则是充分利用了知识点间的相关性，并通过基于大数据计算最优出题知识点，实现用最少的题目精准判定学生大量细分知识点的掌握情况。

Renaissance Learning是一家估值超过10亿美金的美国中小学测评和学习数据分析公司，使用的学生人数超过2000万。

Renaissance STAR测评属于传统的基于IRT(Item Response Theory)的自适应测评。在测试中，Renaissance测评根据学生前面题目的做题结果自动调整后续测试题目的难度。如果一个学生答对了一道题，下一道题将会更难。如果学生答错，则下一道题会更简单。通过IRT算法题目难度与学生能力匹配，Renaissance测评能够缩短测试时间、提升测试效率、且避免学生因为题目太难而沮丧或者太简单而失去兴趣。