[发明专利]一种基于GRM模型的试题区分度评估方法

说明书

本发明公开了一种基于GRM模型的试题区分度评估方法，包括如下步骤：S1：从学习系统的数据库中获取题目ID、用户ID、测评点个数和通过测评点的个数信息；S2：筛除未参与作答的用户；S3：若用户参与作答，该用户的答题次数+1；若判断用户通过测评点个数不等于测评点个数，则返回S2，直到所有题目判断完毕；S4：若用户通过测评点个数等于测评点个数，则答对题目道数+1；S5：将筛选后的数据用于K‑Means聚类算法；S6：确定K的值；S7：确定GRM模型的难度系数，生成基于GRM的ICC图；同时判断用户类型；S8：评估得出试题区分度。本发明可使同类别样本之间的相似度高，不同类别之间的样本相似度低。

技术领域

本发明属于数据处理技术领域，具体涉及一种基于GRM模型的试题区分度评估方法。

背景技术

在当今的社会，教育在不断发展。《教育信息化2.0行动计划》指出要针对学习者制定出“因材施教”的个性化学习目标，这就包括要根据学习者个性化特点和需求提供适恰的的试题资源。试题资源是对学习者开展知识状态精准评估的必要条件，也是学习者实现个性化学习的关键因素。试题区分度是试题资源的重要参数。合理为学习者提供难度适宜的试题资源，一方面能够支持学习者实现知识状态及时、精确地评估。另一方面，也能够激发出学习者地学习潜能，帮助其跨越自身认知的最近发展区。

现有的区分度预测方法主要分为人工标定和数据驱动两类。人工标定是指让教师或专家根据他们的经验、主观意见等标注试题区分度。同时，近些年随着学习平台、阅卷系统和题库系统的发展，唤起了数据驱动下试题难度自动预测方法的热潮。近些年自动预测方法主要有基于统计的经典测量理论方法和基于自然语言处理的预测方法。

现有的人工标定预测技术由于是教师主观上根据自己的经验、意图等进行试题难度的标注，存在着费时费力，同时难度标注带有很强的主观性，不够精准等显著缺点。

基于统计的经典测量理论方法从统计学的角度对试题区分度、考生能力等因素进行预测，但是其数学模型简单，无法描述复杂的逻辑关系，常常需要基于专业知识，很大程度上依赖于手动标记的数据。

而基于自然语言处理的预测方法研究对象大多局限于选择题，其他题型考虑不够，实用性不足。同时现在的文本编码方法主要采用Word2vec和ELMo等传统方法，难以表征试题文本的深度予以和融合更多上下文语意信息。

因此，如果使用者不具备与数据相关很强的专业能力，则不能较为理想地把试题划分类别，对试题进行评估，其易用性较差。

发明内容

本发明克服现有技术的不足，提供一种基于GRM模型的试题区分度评估方法，采用新的方法，让使用者不具备与数据相关很强的专业能力时也能够较为理想地把试题划分类别，以解决对试题进行评估方法的易用性差的技术问题。

本发明的目的通过以下的技术方案实现：

一种基于GRM模型的试题区分度评估方法，包括如下步骤：

S1：从学习系统的数据库中获取题目ID、用户ID、测评点个数和通过测评点的个数信息；

S2：依次判断每道题目是否有用户参与作答，筛除未参与作答的用户；

S3：若用户参与作答，则判断用户通过测评点个数是否等于测评点个数，同时该用户的答题次数+1；若判断用户通过测评点个数不等于测评点个数，则剔除答题数据，返回步骤S2，继续判断直到所有题目判断完毕；

S4：若用户通过测评点个数等于测评点个数，则答对题目道数+1；

S5：将筛选后的数据作为新的数据集，用于K-Means聚类算法；

S6：通过轮廓系数确定K的值；

S7：通过K值确定GRM模型的难度系数，引入用户的能力判断参数生成基于GRM的ICC图；同时依据在第几次答对判断用户类型；