基于人工智能机器学习技术的自适应考试系统研究

基于人工智能机器学习技术的自适应考试系统研究

黄稳

身份证号码：34242519820702xxxx

合肥明信软件技术有限公司安徽合肥230088

摘要：近些年来随着人工智能机器学习技术的飞速发展，该技术也被广泛地应用到在线考试领域以期望能够解决在线考试系统中人工组卷效果不如人意的难题。为此本文利用JavaEE框架设计一个自适应考试系统，并将人工智能机器学习技术应用到系统之中以有效地提高系统的组卷效果，满足考试系统智能化自适应考试的发展趋势。

关键词：人工智能、机器学习、自适应考试系统

一、前言

考试是大多数教师用来了解学生学习进度，以及学习状况的方法。同时考试也是许多机关或组织用以作为衡量资格、授予证照的工具[1]。因此，通过试卷考试的方式可以准确地判断出学生本身的能力，衡量学生之间的差异，进而协助教师更好地制定与调整教学目标以达到更为优质的教学效果[2]。然而近些年来随着新一轮基础教育课程改革的不断深入，教学大纲也时常会有所变动，这也就导致教师需要根据变动的课程大纲调整考试的试题分布格局[3]。除此之外，教师或命题者在编制考试试卷时，还需要考虑真实测验环境中的需求，例如：测验作答时间、试卷的测试时间长度、题目数量等各式各样的限制，也需注意试卷的曝光度、重复率[4]。因此，在编制试卷时，如何在短时间之内有效率地在大量题库中编制出可以准确地判断学生学习成效的试卷是教师或命题者目前所面临的一大难题。为此本文利用JavaEE技术和MySQL数据库设计一个自适应考试系统，并将人工智能机器学习技术应用到系统之中，利用蚂蚁族群算法对学生考试成绩进行挖掘分析，并根据分析的结果有效率地从大量题库中挑选出合适的试题并完成智能化组卷，进而达到自适应考试的效果。

二、系统设计方案

1、关键技术选型

（1）人工神经网络

人类的大脑是由为数众多的神经元（neurons）所构成的，透过各自间的连接组成一个神经网络，而再由多数的网络组合，最后才完成大脑的基本功能。其结构如下：1）神经核（Soma）：为神经细胞主体包含细胞质及细胞核等所组成，该神经细胞呈核状之处理机构。2）神经轴（Axon，轴突）：为神经元向外伸出的最长的一条分支，作为细胞的输出连接用，即为神经元之输出端子；神经细胞呈轴索状的输送机构。3）神经树（Dendrite，树突）：为神经元向外伸出的最长的一条分支，作为细胞的输出端子；神经细胞呈轴索状的输送机构。4）神经节（Synapses，胞突连接）：为轴突及树突相连接处；神经树上呈点状的连结机构当外界的刺激产生，就会经由树枝状的树突（dendrite），再经过突触（synapse）的处理来决定所有经过树突传入的讯号强弱，而当信号强度累积超过某个临界值时，就会透过轴突（axon）将此讯号传到下一个神经元。神经元是神经系统的基本组件，它的构造犹如平常的半导体组件，一边接收讯号，将讯号汇集处理后，由另一边送出结果，只是神经元功能比半导体组件复杂的多，因此要模拟神经元运作，做成一个人工神经元的研究，一直是科学家研究的重点，而在神经元模型的研究中，希望达到以下几个目的：1）人工神经元是否能完成神经网络的复杂功能。2）人工神经元特性是否与实际神经元相近。3）人工神经元解决问题的能力是否如人类大脑一般的精确。

人工智能机器学习技术的实现大多是依靠人工神经网络的学习策略实现的。人工神经网络的学习策略可分为下列这几类：1）监督式学习网络（supervisedlearningnetwork）。监督式学习网络是从问题中取得训练范例的输入变量值和与其对应的目标输出变量值，并从中学习输入变量与输出变量的内在对映规则，以应用于往后新的问题（利用输入变量推导出输出变量）。例如：倒传递网络（Back-PropagationNetwork），反传递网络（Counter-PropagationNetwork）；2）无监督式学习网络（unsupervisedlearningnetwork）。无监督式学习网络之训练范例只有输入变量值，网络从中学习内在群集之关系，以应用于新的问题（有输入变量值，而需推论此问题是属于哪一聚类）。例如：自组织映像图网络（Self-OrganizingMap，SOM）、自适应共振理论网络（AdaptiveResonanceTheoryNetwork，ART）；3）联想式学习网络（associativelearningnetwork）。联想式学习网络是从问题领域中取得训练范例（状态变量值），并从中学习范例的内在记忆规则，以应用于新问题（利用不完整的状态变量值，推论出完整的状态变量值）。例如：霍普非尔网络（HopfieldNeuralNetwork）以及双向记忆网络（Bi-directionalAssociativeMemory）。

本文所设计的自适应考试系统主要是采用联想式学习网络提高在线考试系统的人工组卷效果。

（2）蚂蚁族群算法

蚂蚁族群算法最早是由MarcoDorigo所提出，随后用于处理TSP（TravelingSalesmanProblem）、QAP（QuadraticAssignmentProblem）、JSP（Job-shopSchedulingProblem）等问题并取得不错的成果后，吸引不少研究学者尝试将蚂蚁族群算法应用到在线考试领域上。根据生物学家的研究可以发现，蚂蚁主要是透过一种称为费洛蒙的分泌物来寻找路径，当蚂蚁在携带食物回巢穴的时候，沿途会持续散布定量的费洛蒙，这种分泌物会随着时间经过，逐渐的在空气中蒸发掉。也因此，较短路径上费洛蒙会随着蚂蚁走完的次数较多，而累积的速度会比较快，反之较长的路径因为蚂蚁走完的时间花费较多，费洛蒙累积的次数也变少。随着费洛蒙浓度的变化，大多数的蚂蚁会选择费洛蒙较多的较短路径获取食物。而每只蚂蚁在路径上散布费洛蒙的行为，使得自身纪录的环境因素可以被所有蚂蚁参考，进而取得更好的结果，这种修正的过程可以视为是一种进行知识分享的合作方式。

本文所设计的自适应考试系统主要是采用蚂蚁族群算法实现对学生成绩数据的挖掘分析与统计。

2、系统总体设计

本课题所设计的基于人工智能机器学习技术的自适应考试系统，为确保系统的开发质量和系统的可扩展性、可维护性，在开发中采用了目前较为流行的JavaEE技术框架结合MVC设计模式。采用了B/S架构，在设计中将与基于人工智能机器学习技术的自适应考试业务相关的各项规则以及逻辑在系统的应用服务器上进行集中以及来实现，为了确保基于人工智能机器学习技术的自适应考试系统的可扩展性，采用HTML、Applet结合C/S结构中客户端的方法来编写用户界面层，将web层和业务逻辑层作为系统的功能层放在应用服务其上，web层使用JSP/Servlet来实现数据收集、查询、统计等交互功能。系统采用MySQL数据库系统实现对数据的存储和维护。系统总体架构图如图1所示。

图1系统总体架构图

3、系统实现

基于人工智能机器学习技术的自适应考试系统采用JavaEE技术框架进行实现以下三种大功能：（1）管理员功能模块：该功能模块主要是提供给自适应考试系统的系统管理员使用，具体包括以下几大子功能：1）用户信息管理；2）试题类型管理；3）管理员信息维护。（2）教师功能模块：该功能模块主要是提供给自适应考试系统的教师用户使用，具体包括以下几大子功能：1）试卷信息管理；2）智能组卷管理；3）试题库信息管理；4）个人信息维护；5）考试成绩数据统计。（3）学生功能模块：该功能模块仅提供给学生用户使用，具体包括以下几大子功能：1）学生登录；2）在线考试；3）成绩查询；4）密码修改。系统功能类图如图2所示。

图2系统功能类图

系统的数据库主要是采用MySQL数据库进行实现，为了能够更加合理与准确的在数据库系统中实现对应用需求实例的存储和管理，首先要将在需求分析中得到的应用实例抽象成信息世界能够理解的结构。E-R模型是能够对概念模型进行详细描述的一种重要工具，基于人工智能机器学习技术的自适应考试系统的数据库E-R图如图3所示。

图3系统数据库E-R图

三、结语

本文利用JavaEE框架设计一个自适应考试系统，采用蚂蚁族群算法实现对学生成绩数据的挖掘分析与统计并将人工智能机器学习技术中的联想式学习策略应用到试卷组卷之中。根据分析的结果有效率地从大量题库中挑选出合适的试题并完成智能化组卷以达到自适应考试的效果，满足考试系统智能化自适应考试的发展趋势。

参考文献：

[1]余殷博.基于人工智能下的机器学习技术的应用与研究[J].电子技术与软件工程，2017（4）：129-129.

[2]苏礼.基于人工智能理念机器学习的自适应考试系统的探索与研究[J].无线互联科技，2017（2）：12-14.

[3]冯琬婷.基于文字识别视角分析人工智能机器学习中的文字识别方法[J].电子技术与软件工程，2017（13）：253-254.

[4]吴水秀，曾庆鹏，王明文，等.智能试卷生成和自适应考试系统[J].计算机与现代化，2018（1）：12-14.