基于命题细目表的二阶段组卷策略研究

开篇：润墨网以专业的文秘视角，为您筛选了一篇基于命题细目表的二阶段组卷策略研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

【摘要】组卷策略是题库系统的重要环节，而使用命题细目表进行组卷则可以有效克服组卷的主观随意性，优化试卷结构。通过计算机系统自动生成命题细目表，再根据细目表进行组卷是基于命题细目表的二阶段组卷策略的核心思想。

【关键词】命题细目表；组卷策略；二阶段

【中图分类号】G40-057　【文献标识码】A　【论文编号】1009－8097(2012)09－0097－04

题库通常是指大量试题的集合，这些试题分类有序地存放，便于构造某种考试所用的试题或试卷。在教育测量学理论中，题库被定义为是在某种测量理论指导下，试题经过试测计算出相关的统计参数，试题参数经过等值并建立在同一量表上，按照一定原则组织起来的能够满足某种考试需要的大量优良试题的组合。建设优良题库是一种命题方式的变革，是提高命题效率和试卷组配质量的基础，有利于实现命题工作的日常化。

以题库方式进行命题，可以组织更多的专家和命题教师参与命题，便于广泛征集试题，使编制试题工作成为一种经常性的活动，命题人员有较充裕的时间研磨和审查试题，从而有利于提高试题质量。建立题库后，命题人员可以集中精力设计好试卷蓝图，使试卷结构更科学、更合理，并且选择题库中的优良试题组配试卷，有利于提高组配效率和试卷质量。通过题库方式命题，有利于组配平行试卷，坚持考试标准的一致性。以题库方式组织命题，还有利于提高考试的信度和效度，有利于做好保密工作。

一　常见组卷策略分析

题库系统的核心是智能组卷系统，它可以在题库中选择合适的试题，自动完成组卷任务。它是数据库理论、教育测量理论和人工智能理论相结合的产物，是从传统教育向现代教育发展的一种新型教育考评体系，是我国教育考试体系的重要组成部分。目前的研究及应用中，各类组卷策略大致可以分为基于经典考试理论的组卷策略和基于项目反应理论的组卷策略两种类型。其中，基于经典考试理论的组卷策略又包括基于随机算法的组卷策略、基于深度与广度搜索算法的组卷策略和基于遗传算法的组卷策略等几大类。

1、基于随机算法的组卷策略

基于随机算法的组卷策略是最直观的一种组卷策略。在题库中随机抽取试题，然后判断其是否符合试卷要求，如果符合，则将其加入到试卷中，如果不符合，则将其放入题库重新抽取试题。不断重复这一过程，直至组卷完毕或无法从题库中抽选合适的试题为止。

该算法优势在于结构简单，单次选题过程运行速度较快，但如果组卷的约束条件较复杂，完成组卷方案的时间复杂度较大，而且试卷往往不能满足某些约束条件。因此，该算法只适用于组卷约束条件较少的小型试题库系统的组卷。

2、基于深度与广度优先搜索算法的组卷策略

深度优先搜索算法和广度优先搜索算法都是图论的遍历图算法。在题库组卷策略中，回溯组卷算法就是一种最常见的基于深度与广度优先的搜索算法，它对随机算法有很大的改进，可遍历所有状态组合。其主要思想是从题库中随机抽取试题，但在抽取过程中通过验证所选择的试题是否满足系统给定的目标条件确定是否抽取该试题，当发现目前没有任何试题满足约束时，废弃前一步或几步操作后重新组卷，通过回溯试探的方法遍历所有可能的组卷方式，完成组卷任务。

回溯算法组卷成功率高，理论上可以遍历所有可能状态组合，但当题库题量或试卷总题量较大时，搜索空间变大，实现过程的时间开销也会随之变大，组卷效率较低。加之所选试题缺乏随机性，因此在实际应用中单纯的基于回溯试探算法应用受到制约。

3、基于遗传算法的组卷策略

遗传算法(GeneticAlgorithms，GA)通过模拟自然生态进化过程，采用迭代式搜索算法，根据一定的标准，在保持种群稳定的基础上，激励好的结果，淘汰劣质结果，最终搜索到理想的最优解或次优解。遗传算法与其他算法不同的是，除去“染色体”的编码规则，求解问题的本身对算法的影响并不大。当按照适当的编码将待解问题的解表示成“染色体”形式后，每个个体就成为问题的一个解。建立一定规模的这种个体后，就可构成一个种群，根据计算种群中个体的适应度函数值，可以评价个体的优劣，在保持一定种群规模的前提下，按适者生存的原则执行选择、交叉和变异等操作，得到更适应环境的下一代种群。反复迭代这一过程，直到得到符合要求的最优解，或者次优解为止。将遗传算法应用于组卷策略，是近年来组卷策略研究的热点之一。

遗传算法的计算复杂度只与编码规则、种群规模及迭代次数等条件有关，与问题本身的复杂度无关，而且可同时并行计算，因此更适合大规模复杂问题的优化求解；同时，遗传算法是在所有解空间中使用多点随机搜索最优解，因此能够一定程度上避免局部最优的缺点；而遗传算法的交叉、变异等操作有利于保持种群多样性。但是，使用遗传算法处理多目标优化问题时，需要将多目标优化问题转化为单目标优化问题，因此求得的最优解(或次优解)有可能并非一份理想的试卷，而且，如果题库规模较大，容易导致染色体过长，时间开销呈非线性增长趋势，从而降低算法的运算效率。

4、基于项目反应理论的组卷策略

基于项目反应理论的组卷算法最早是由自适应考试发展而来的。其具体操作为：开始时选取中等难度试题作为初始试题，当考生回答完成一道试题后，系统立即对其评分并重新估计学生能力，然后从题库中选取下一道试题，直至对考生能力的测量精度达到指定的水平。

使用基于项目反应理论的策略对考生进行心理测量，优势在于测量结果与考试试题样本无关，突破了经典测量理论的局限性，具有题目参数估计更为准确、全面解决考试等值问题、适用于大规模自适应考试系统等优势。但由于入库试题需要进行试测以确定试题参数，而我国的各类大规模考试中无法进行试测，因此使用这一策略仍有一定困难。此外，该算法需要在考试过程中实施组卷策略，对考试系统的压力也较大。

二　基于命题细目表的两阶段组卷策略的构想与实现

一份合格的试卷需要多方面的衡量，难度分布、评价目标分布、知识内容分布等各项指标都需要控制在合理范围之内。尽管上述几种智能组卷策略都有其自身的优势，而且近年在计算机等级考试、广播电视大学等教育考试系统中有所应用，但这些策略都属于单目标约束问题，实际操作过程中很难达到预期的组卷效果，因此需要命题细目表协助进行组卷。