[发明专利]一种基于CO-MIRT算法模型的测评方法和装置

说明书

本发明实施例公开了一种基于CO‑MIRT算法模型的测评方法和装置，其中，所述方法包括：获得测评事件的基本参数信息；将所述基本参数信息编制为知识点层级集合和试题信息集合；根据所述知识点层级集合和所述试题信息集合设置相应的试题ID列表、学生答案列表；在目标对象完成答题后，采用预设的CO‑MIRT算法模型基于输入的试题ID列表、学生答案列表进行测评分析，输出测评分析结果。采用本发明所述的方法，能够兼顾测量误差、测量题量和待测知识点数量之间的平衡，简化测评内容，提高事件测评效率和精确性，从而有效提升了用户的使用体验。

技术领域

本发明实施例涉及人工智能技术领域，具体涉及一种基于CO-MIRT算法 模型的测评方法和装置，另外还涉及一种电子设备和计算机可读存储介质。

背景技术

随着计算机科学和人工智能技术的快速发展，其对教育行业的渗透不断增 强，潜藏在教育人心中的“因材施教”的梦想再度被开启。近年来，教育市场 对学生学习情况的测评、评价及其后续工作的需求不断提高，以求实现“大数 据驱动精准教学”的目的。

然而，目前随着细分级知识点逐渐增多，与过去相比，待测量知识点的数 量将呈倍数增长的态势。在传统算法模型中，测量1道知识点可能需要10道 才能将误差控制在合理水平，但是如果要将1项知识点扩展成5项细分级知识 点，就需要50道题目，因此，“细分”的概念必然造成题目数量的快速增长， 否则会造成极大的误差而无法达到测准的目的。从另一方面讲，题目数量的增 长又会造成产品用户体验的下降，用户在回答50道题目时遭受极大的心理压 力，甚至于会拒斥答题，因而同样满足不了测准的要求。在此情况下，如何兼顾测量误差、测量题量和待测知识点数量之间的平衡，有效完成对细分级知识 点的诊断任务，成为本领域技术人员研究的重点。

发明内容

为此，本发明实施例提供一种基于CO-MIRT算法模型的测评方法，以解 决现有技术中存在的无法兼顾测量误差、测量题量和待测知识点数量之间的平 衡，导致测评内容繁杂、测评效率和准确度较差的问题。

为了实现上述目的，本发明实施例提供如下技术方案：

第一方面，本发明实施例提供一种基于CO-MIRT算法模型的测评方法， 包括：获得测评事件的基本参数信息；将所述基本参数信息编制为知识点层级 集合和试题信息集合；根据所述知识点层级集合和所述试题信息集合设置相应 的试题ID列表、学生答案列表；在目标对象完成答题后，采用预设的CO-MIRT 算法模型基于输入的试题ID列表、学生答案列表进行测评分析，输出测评分 析结果。

进一步的，所述基本参数信息包括：包含多级别知识点的知识图谱、待测 知识点集合、试题池、试题参数；其中，所述试题池中的每道题目至少测量一 项待测知识点；所述试题参数包括试题Q矩阵参数、区分度参数以及难度参 数中的至少一种。

进一步的，所述知识图谱的底层知识点、所述待测知识点集合以及试题矩 阵参数所包含的知识点内容一致。

进一步的，所述知识点层级集合是对所述三维知识图谱中的每一层知识点 及所述每一层知识点的下属知识点绘制为邻接矩阵，并按照层级顺序进行排 放；所述试题信息集合中的试题Q矩阵、区分度、难度按照试题ID进行排序。

进一步的，所述试题ID列表记录当前目标对象所答过的所有试题的ID； 所述答案列表记录当前目标对象对每一道题目的答对或答错的结果。

进一步的，所述CO-MIRT算法模型包括：基于邻接矩阵而构建的前馈层、 针对单层知识点而构建的全连接层、接入预设的MIRT模型的输出层以及基于 预设算法设计的控制层。

进一步的，所述CO-MIRT算法模型还包括基于预设算法设计的伸缩层。