融合GA-CART和Deep-IRT的知识追踪模型

随着深度神经网络的快速发展,基于深度学习知识追踪模型的优势逐渐显现。Deep-IRT将项目反应理论与动态键值记忆网络(DKVMN)相结合,增加了学生与练习之间的联系,却忽略了学习特征的影响。DKVMN-DT在DKVMN的基础上增加了基于CART决策树的行为特征预处理,但决策树仍是一种贪心算法。为优化CART带来的局部最优问题并加强学生能力与项目难度的联系,提出了一种将基于遗传算法的CART与Deep-IRT相融合的优化模型。首先对CART基于遗传算法进行2次优化,对学习者的学习行为特征进行预处理;然后计算交叉特征并融入DKVMN底层模型中;最后引入项目反应理论,根据学生能力与项目难度完成概率预测。实验结果表明,DKVMN-GACART-IRT模型的AUC值均优于原始模型,具有更好的预测性能。

基于自适应遗传算法的智能组卷研究

计算机辅助教学 CAI(Com puter Assisted Instruction)的一个重要应用是计算机辅助测验 CBT(Com puter-Based Testing) .智能组卷是 CBT的基础 ,组卷中关键是解决约束优化问题 .在研究现代教育测试理论与计算机辅助测验 CBT的基础上 ,提出一种解决计算机组卷中约束优化问题的方法自适应遗传算法 .该方法有效地解决了基于IRT的智能组卷问题 ,为解决约束优化问题提供一种新的有效途径 ,具有较好的性能和实用性 .

基于遗传算法的项目反应理论3PLM参数估计

对IRT中3PLM的参数估计问题,用传统的统计估计方法解决得并不令人满意,该文应用加速遗传算法解决这一问题,这一方法克服了传统参数估计算法中对迭代初值要求严格的缺点.蒙特卡洛模拟结果显示,新的估计方法提高了估计值对真值的恢复能力,特别是提高了难度和猜测度参数估计的精度.

基于IRT的量子遗传算法选题策略

选题的本质是一个优化问题,虽然已有多种算法,但是大部分算法收敛速度慢、易陷入早熟、需要建立复杂的数学模型等。量子遗传算法在普通遗传算法中引入了量子计算的概念,能够使算法在种群规模很小的情况下呈现种群的多样性,而且能在很广的范围内寻优,不易陷入早熟,量子计算的并行性使算法能比普通遗传算法更快地解决寻优问题。本研究采用基于项目反应理论的量子遗传算法的选题策略。将两者的实验结果作比较,结果显示,量子遗传算法在各评价指标下的效果都优于经典遗传算法,体现出量子遗传算法搜索效率高,适应性强,收敛性速度快的特点。

自动组题算法中适应度函数的构建方法

在基于GA的自动组题算法中,构建适应度函数是最大的一个难点。适应度函数构建的关键在于如何选择适应度函数的参数以及如何计算各个参数的值,本文从IRT理论和试题以及算法的特殊性出发,确定了适应度函数的参数及其计算方法。该方法有着强大的理论支持和完善的用户需求接口,同时也为试卷的分析提供了新的方法。

启发式遗传算法组卷模型研究

随着计算机及其数据库技术的发展,利用计算机存储大量的试题信息并结合数据库技术实现试题的自动组卷功能已成为一项实际可行且应用性广泛的一项课题。在遗传算法的基础上,提出了一种新的基于启发式遗传算法的智能组卷算法。新算法利用组卷过程中与目标约束条件的误差进行诱惑,使基因变异产生的子代具有更好的性能,从而确保上代群体优势能够沿着有利于最终问题求解的方向进行传递,有效地降低无效试卷所导致的系统开销。实验结果表明,新算法具有较好的智能组卷性能。

基于IRT指导的组卷策略的遗传算法设计与实现

智能组卷是自适应测验中的一个重要环节.根据试卷生成的目标要求,提出一种基于项目反应理论(IRT)组卷的自适应遗传算法,较好地解决了智能组卷过程中的约束优化问题.

英语智能导师系统中测试模型的研究

结合英语学科的特点,为英语智能导师系统设计了一个测试模型,该测试模型包含题库维护和个性化组卷两大模块。试题库维护模块采用了基于项目反应理论的方法进行试题指标体系的建立和参数的估计;组卷模块是一种考虑遗忘程度的个性化遗传组卷算法(PGAFF)。模拟仿真实验表明,PGAFF算法应用于组卷时组卷质量较好,能够根据被试者的学习掌握情况为被试者生成试卷,进行个性化测试。