一种用于试题库质量评估的方法技术

本发明专利技术提供了一种用于试题库质量评估的方法，包括：建立试题库质量评估量化模型，确定质量评估指数，包括试题信度指数、试题效度指数、成绩分布指数、试题区分度指数和试题难度指数中的一个或者多个；根据所述质量评估指数初始化BP神经网络；使用基于免疫机理的粒子群IM-PSO算法确定所述BP神经网络的初始权值和阈值；根据所述初始权值和阈值，使用由所述质量评估指数构成的训练样本，训练得到用于试题库质量评估的BP神经网络。该方法不仅采用IM-PSO算法的全局搜索能力，同时由于增强了种群的多样性，也可避免在搜索过程中陷入局部最小值，使得算法的搜索精度和运行效能得到提升，最终达到优化网络的目的。

【技术实现步骤摘要】

本专利技术属于数据融合
，尤其涉及试题库质量的智能评估。
技术介绍
随着国民经济建设和国民生活水平的日渐提升，为逐步缩小社会教育事业与经济 文化发展间的差距，我国已从多方面推动、促进着教育领域的改革。但资源的缺乏与日益渐 长的需求间的矛盾愈见突出，如何有效提高教育质量，满足广大民生的需求，是当前教育研 宄者所面临的刻不容缓的问题。 随着教育改革的深入，科学合理的评价学生的能力是一项重要的组成部分。试卷 形式的考试一直是评价学生能力的重要形式，试卷质量的高低直接关系到学生能力评测的 准确性。因此，高质量的试卷尤其重要。那么如何评价试卷质量的高低则是关注的重点。
技术实现思路
有鉴于此，本专利技术的一个目的是提供。为了对披 露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛 评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用 简单的形式呈现一些概念，以此作为后面的详细说明的序言。 本专利技术提供了，包括： 建立试题库质量评估量化模型，确定质量评估指数，包括试题信度指数、试题效度 指数、成绩分布指数、试题区分度指数和试题难度指数中的一个或者多个； 根据所述质量评估指数初始化BP神经网络； 使用基于免疫机理的粒子群（M-PSO)算法确定所述BP神经网络的初始权值和阈 值； 根据所述初始权值和阈值，使用由所述质量评估指数构成的训练样本，训练得到 用于试题库质量评估的BP神经网络。 在一些可选的实施例中，可以采用重测法、复本法、半分法、库李法，或者克朗巴赫 公式计算试题信度指数。 在一些可选的实施例中，采用克朗巴赫公式计算试题信度指数为γ :【主权项】1. ，其特征在于，包括： 建立试题库质量评估量化模型，确定质量评估指数，包括试题信度指数、试题效度指 数、成绩分布指数、试题区分度指数和试题难度指数中的一个或者多个； 根据所述质量评估指数初始化BP神经网络； 使用基于免疫机理的粒子群頂-PSO算法确定所述BP神经网络的初始权值和阈值； 根据所述初始权值和阈值，使用由所述质量评估指数构成的训练样本，训练得到用于 试题库质量评估的BP神经网络。2. 如权利要求1所述的方法，其特征在于： 采用重测法、复本法、半分法、库李法，或者克朗巴赫公式计算试题信度指数。3. 如权利要求2所述的方法，其特征在于： 采用克朗巴赫公式计算试题信度指数γ包括：其中：m为试题个数； σ」为第j题学生得分标准差 其中：η为参加考试的学生个数， I z Xij为第i位学生在第j题的得分，^为第j题学生所得平均分； σ为学生总分标准差，其中：η为参加考试的学生个数，Xi为第i 位学生总分，X为所有学生总分的平均分。4. 如权利要求1所述的方法，其特征在于： 采用半分法计算试题效度为vxy:其中，η为奇数批或偶数批考生的人数；^和y i分别为奇数批和偶数批中第i位学生 的试卷得分；X和y分别为奇数批和偶数批考生群体的平均分；\和S y分别为奇数批和偶 数批考生群体总分的标准差。5. 如权利要求1所述的方法，其特征在于： 采用鉴别指数法计算试题区分度指数D : D = Ph-P1 其中，Ph为高分组学生在被测试题上的通过率T1为低分组学生在被测试题上的通过 率。6. 如权利要求1所述的方法，其特征在于： 对于客观题，计算题难度指数为义,=4， 其中：为正确率；K为备选答案数； 对于主观题，计算试题难度指数为= 4， 其中： ZP，. X为被测学生在该试题的平均得分；Y为该试题的总分。7. 如权利要求1-6所述的方法，其特征在于，所述使用M-PSO算法确定所述BP神经网 络的初始权值和阈值包括： 执行IM-PSO参数初始化； 对粒子进行实数编码，产生粒子种群，得到粒子初始位置和速度； 确定初始个体极值和初始群体极值，其中：初始个体极值是粒子的初始位置；初始群 体极值是通过评估每个粒子的适应度值，选择适应度最小值对应的位置作为初始群体极 值； 执行IM-PSO个体更新，包括更新粒子的速度、位置、个体极值和群体极值； 执行寻优质量检查，如果群体最优有明显变化，执行頂-PSO个体更新步骤；如果群体 最优无明显变化，则进入免疫更新阶段，包括：逐一计算并判断群体中各粒子的替换概率， 当粒子的替换概率超出免疫替换阀值时，随机产生一新的粒子替换原粒子，当粒子的替换 概率未超出免疫替换阀值时，保持原粒子； 当满足预设的停止条件时，以个体集合中适应度值最好的个体作为全局最优解，得到 初始权值和阈值。8. 如权利要求7所述的方法，其特征在于： 粒子适应度函数为期望的输出与通过网络得到的预测值之间的绝对值误差之和： 、木11於湖U4示第i个节点的估计输出；η为BP神经网络 的输出节点数。9. 如权利要求7所述的方法，其特征在于： 粒子位置更新方程是：Xij(t+l) =XijUHvij (t+Ι); 粒子速度更新方程是： Vij (t+1) = WVij (t) +C^1 (Pij (t) -Xij (t)) +c2r2 (gij (t) -Xij (t))； 其中： Xij (t)为第t次迭代时第i个粒子的位置，j为第i个粒子的维度； Xij(t+Ι)为第t+Ι次迭代时第i个粒子的位置，即更新后的位置； Vij (t)为第t次迭代时第i个粒子的速度； Vij(t+Ι)为第t+Ι次迭代时第i个粒子的速度，即更新后的速度； w为惯性权重； cdP c 2为加速因子； !T1和;r 2为分布在区间（0,1)上的随机变量； Pij(t)为第t次迭代时第i个粒子的当前最优位置； gij(t)为第t次迭代时群体当前最优位置； 更新个体极值包括：在每次进化中，比较当前个体极值与历史个体极值，若当前个体极 值更优则替换原历史个体极值； 更新群体极值：在每次进化中，通过适应度函数比较历史群体极值与当前群体极值，若 当前群体极值更优则替换原历史群体极值。10.如权利要求7所述的方法，其特征在于： 所述预设的停止条件是预设的最大迭代次数或者预设的精度。【专利摘要】本专利技术提供了，包括：建立试题库质量评估量化模型，确定质量评估指数，包括试题信度指数、试题效度指数、成绩分布指数、试题区分度指数和试题难度指数中的一个或者多个；根据所述质量评估指数初始化BP神经网络；使用基于免疫机理的粒子群IM-PSO算法确定所述BP神经网络的初始权值和阈值；根据所述初始权值和阈值，使用由所述质量评估指数构成的训练样本，训练得到用于试题库质量评估的BP神经网络。该方法不仅采用IM-PSO算法的全局搜索能力，同时由于增强了种群的多样性，也可避免在搜索过程中陷入局部最小值，使得算法的搜索精度和运行效能得到提升，最终达到优化网络的目的。【IPC分类】G06N3-02, G06Q10-06, G06Q50-20【公开号】CN104732352【申请号】CN201510155220【专利技术人】张可, 周鹏, 吴小川, 唐东明, 贺颖, 陈华 【申请人】张可, 周鹏, 吴小川【公开日】2015年6月24日【申请日】2015年4月2日本文档来自技高网...

【技术保护点】
一种用于试题库质量评估的方法，其特征在于，包括：建立试题库质量评估量化模型，确定质量评估指数，包括试题信度指数、试题效度指数、成绩分布指数、试题区分度指数和试题难度指数中的一个或者多个；根据所述质量评估指数初始化BP神经网络；使用基于免疫机理的粒子群IM‑PSO算法确定所述BP神经网络的初始权值和阈值；根据所述初始权值和阈值，使用由所述质量评估指数构成的训练样本，训练得到用于试题库质量评估的BP神经网络。

【技术特征摘要】

【专利技术属性】
技术研发人员：张可，周鹏，吴小川，唐东明，贺颖，陈华，
申请(专利权)人：张可，周鹏，吴小川，
类型：发明
国别省市：四川;51