[发明专利]一种基于贝叶斯原理的试卷难易程度分析方法及系统

说明书

本发明提出了一种基于贝叶斯原理的试卷难易程度分析方法及系统，所述方法包括：获取学生的历史综合评价数据集和历史试卷难度，所述综合评价数据集包括学生平时成绩；构建基于贝叶斯原理的线性回归模型；将所述历史综合评价数据集、所述历史试卷难度导入所述线性回归模型，对所述线性回归模型的权重进行参数估计；获取学生的当前综合评价数据集，将所述当前综合评价数据集和所述权重导入试卷难度计算模型中计算待出试卷的难度。本发明能够很好地依据学生的特点确定试卷的难度，不会出现所有学生都觉得试卷偏难或者偏简单的情况，完美地落实了在线教学过程中的“以人为本、因材施教”的教育理念。

技术领域

本发明涉及机器学习技术领域，尤其涉及一种基于贝叶斯原理的试卷难易程度分析方法及系统。

背景技术

随着大数据和人工智能时代的来临，互联网行业迎来了新的发展契机，越来越多的领域开始广泛使用大数据，教育领域也不例外。在教育领域中，教学管理是非常重要的内容，学生的学习情况是教学管理的主要依据，而学习情况主要根据考试成绩，因此考试试卷的合理性对学习情况的检测尤其重要。现阶段，越来越多的教学任务都是在互联网上进行，考试出卷也同样需要在线完成，那么试卷的难易程度该如何确定，就成为一个新的研究重点。

现有的在线出卷基本上都是随机抽取，并没有一个非常合理的难易度分析模型，这并不符合“以人为本，因材施教”的教育理念，其表现为多数情况仅由教师决定难中易三者之一就可以生成一套试卷，具有极大的主观性，可能出现成绩好的学生试卷太容易、成绩差的学生试卷太难的情况，无法实达到知识训练的目的，这种试卷难度确定方式完全脱离了关注学生自身的学习情况，导致试卷难易程度不合理。

发明内容

有鉴于此，一方面，本发明提出了一种基于贝叶斯原理的试卷难易程度分析方法，以解决传统试卷难度确定方式脱离学生自身学习情况，导致试卷难度不合理的问题。

本发明的技术方案是这样实现的：一种基于贝叶斯原理的试卷难易程度分析方法，包括：

获取学生的历史综合评价数据集和历史试卷难度，所述综合评价数据集包括学生平时成绩；

构建基于贝叶斯原理的线性回归模型；

将所述历史综合评价数据集、所述历史试卷难度导入所述线性回归模型，对所述线性回归模型的权重进行参数估计；

获取学生的当前综合评价数据集，将所述当前综合评价数据集和所述权重导入试卷难度计算模型中计算待出试卷的难度。

可选的，所述学生为单个学生或单个班级部分学生或单个班级所有学生或多个班级的学生。

可选的，所述学生平时成绩包括平时作业成绩、考勤成绩、阶段测试成绩和学习视频观看数量。

可选的，所述学生平时成绩的计算公式为

其中，x5为所述学生平时成绩，m为学生总数，i为学生编号，t_i1、t_i2、t_i3、t_i4依次为第i个学生的所述平时作业成绩、所述考勤成绩、所述阶段测试成绩、所述学习视频观看数量。

可选的，所述综合评价数据集还包括学生类别、课程类别、学生年级、学生班级。

可选的，所述构建基于贝叶斯原理的线性回归模型，包括：

获取所述权重的先验概率，根据所述先验概率计算所述权重的后验概率；

计算所述后验概率的最大似然估计并得到计算所述权重的所述线性回归模型。

可选的，计算所述后验概率的最大似然估计并得到计算所述权重的所述线性回归模型，包括：

对所述后验概率的似然函数取自然对数；