前言：尋找寫作靈感？中文期刊網(wǎng)用心挑選的英語分層在線考試系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)，希望能為您的閱讀和創(chuàng)作帶來靈感，歡迎大家閱讀并分享。

摘要:傳統(tǒng)考試和現(xiàn)階段的考試系統(tǒng)已不滿足教育行業(yè)對于考試的需求了，因此，總結(jié)了目前的考試系統(tǒng)的不足，結(jié)合人工智能的方式，在抽題組卷上，采用自適應(yīng)化遺傳算法，達(dá)到高效率的智能組卷。再結(jié)合神經(jīng)網(wǎng)絡(luò)算法，通過LDA模型、詞向量、CNN、RNN、sigmoid激活函數(shù)等方式相結(jié)合，在經(jīng)過訓(xùn)練后即可進(jìn)行作文自動評分的體系，實(shí)現(xiàn)一個(gè)高效率的智能在線英語考試系統(tǒng)。

關(guān)鍵詞:智能組卷;神經(jīng)網(wǎng)絡(luò);自動評分;在線英語考試系統(tǒng)

1概述

隨著計(jì)算機(jī)的高速發(fā)展，工作崗位上對于工作效率也要求越來越高。而最為傳統(tǒng)的紙質(zhì)考試已經(jīng)不滿足對于現(xiàn)在對于考試方面的需求了，這種傳統(tǒng)的考試中，不僅耗時(shí)，而且對于紙張的浪費(fèi)量大，成本需求高。而且在一個(gè)考場里，作弊率會非常的高。在最后的評卷時(shí)，評卷老師需要批閱大量的時(shí)間，很容易精神疲憊，這樣就會在不經(jīng)意間將一些試題批改錯(cuò)誤，而且對于一張?jiān)嚲砩系目偡忠残枰處熓謩佑?jì)算，在大量的評卷后，進(jìn)行這樣的數(shù)學(xué)計(jì)算，很容易計(jì)算錯(cuò)誤，導(dǎo)致試卷實(shí)際分?jǐn)?shù)與評改的分?jǐn)?shù)不一致，造成不公平現(xiàn)象。在多年的發(fā)展下，對于使用計(jì)算機(jī)來進(jìn)行考試的技術(shù)已經(jīng)逐漸成熟了。這些考試系統(tǒng)相對于傳統(tǒng)的考試是一個(gè)很大的提升，但這樣的考試系統(tǒng)并不完善，在考試方面已經(jīng)很好了，而在抽題方面只能從試題庫里隨機(jī)抽題，導(dǎo)致兩個(gè)學(xué)生的試題可能完全不同，失去了一定的公平性。在評卷方面，只能對于一些固定答案的題型(選擇題、判斷題、填空題)來進(jìn)行評判。而對于一些主觀題(問答題、作文)卻很難做出評改。而對于這樣的題型來說，一般都是通過人工來進(jìn)行評分，這樣的方法確實(shí)提高了對于主觀題的準(zhǔn)確性，但是對于評改的教師來說，無疑與傳統(tǒng)考試并無兩樣，只是少了一部分題型而已。這樣的傳統(tǒng)考試系統(tǒng)雖然解決了考試上客觀題的評判，但是在主觀題上還是沒有太大辦法，最多也只能通過對比正確的參考答案進(jìn)行一個(gè)模糊的評判，正確率十分的低。

2基于遺傳算法的抽題體系

在傳統(tǒng)的抽題中，是在一個(gè)題庫里的每種題型中給每個(gè)學(xué)生進(jìn)行隨機(jī)抽題，題型里肯定是由一個(gè)難度值的，對于一個(gè)學(xué)生來說，可能抽的題很簡單，對于另一個(gè)來說，也許都是難題，所以這樣的抽題方法，雖然很大程度的杜絕了作弊現(xiàn)象的發(fā)生，但是還是影響了考試的公平性。而一個(gè)基于機(jī)器學(xué)習(xí)的抽題是一個(gè)從遺傳算法中脫胎出來一個(gè)抽題算法，遺傳算法借用于生物進(jìn)化中“適者生存”的規(guī)律，通過對于生物進(jìn)化過程中的選擇、交叉、變異機(jī)理的一個(gè)模仿，完成對最優(yōu)解的自適應(yīng)搜索過程;可以說，遺傳算法是通過自適應(yīng)的尋優(yōu)的只能搜索技術(shù)。［1］最后經(jīng)過一系列運(yùn)算，得到一個(gè)適應(yīng)值滿足條件的最優(yōu)解。在遺傳算法的基礎(chǔ)上產(chǎn)生以下的結(jié)果:通過隨機(jī)函數(shù)生成試卷群體，然后在試卷群體中的試題基因進(jìn)行打散并在再次重組，從而產(chǎn)生新的試卷群體，周而往復(fù)會產(chǎn)生大量的組合型群體，在每次基因重組完成后在對群體進(jìn)行逐一標(biāo)記，最后編排判斷，以獲取滿足需求的最佳匹配結(jié)果。完成以上需求后進(jìn)行實(shí)際情況分析。試題庫出題的過程中，通過獲取題型、知識點(diǎn)等種群標(biāo)記需求，然后將里面的試題(基因)隨機(jī)打亂，同時(shí)選項(xiàng)(基因)也進(jìn)行打亂，在雙重隨機(jī)的情況下盡量的杜絕規(guī)律性、重復(fù)性、偶然性。相較于其他的算法來說，既提高了算法速率，又滿足了實(shí)際情況下的系統(tǒng)需求。重組后的每張?jiān)嚲眍}目的順序不同的目的，從而在一定程度上杜絕作弊。所以以遺傳算法來抽取試卷，相對于其他算法來說，不僅提高了速率，更能根據(jù)需求來得到一張更為合理的試卷。

3基于機(jī)器學(xué)習(xí)的試卷主觀題評分

在一場英語考試中，作文的評分對人的精力消耗最大。評改過程中，要關(guān)注作文中單詞的正確性，語法結(jié)構(gòu)是否正確，上下文是否合理。對于評分老師來講，不僅評分需要合理，而且也是十分耗時(shí)的。在現(xiàn)有的一些考試系統(tǒng)中，雖然解決了客觀題的評分，但是這樣一個(gè)主觀題還是需要由老師來進(jìn)行評分。從一定角度來說，失去了考試系統(tǒng)的意義。一片作文就是由一個(gè)個(gè)單詞構(gòu)成的，在這些單詞之間，則是通過語法來銜接單詞，構(gòu)成語句，再由語句構(gòu)成作文。要構(gòu)成智能的作文評分，那么就需要LDA模型將文本中每一個(gè)話題下詞分布、每個(gè)詞對應(yīng)得話題分布，再通過使用詞向量one-hotrepresentation將單詞數(shù)字化。再以卷積神經(jīng)網(wǎng)絡(luò)操作，將通過計(jì)算詞向量組得到的卷積值拼接，再次將作文特征提取，然后在通過循環(huán)神經(jīng)網(wǎng)絡(luò)LSTM對信息處理，得到關(guān)于文本離散程度特征的向量，最終將得到的多個(gè)向量進(jìn)行一個(gè)回歸分析，并給出分?jǐn)?shù)。LDA模型:這是一種能夠用于特征提取的技術(shù)，在使用LDA模型之后，對于數(shù)據(jù)分析中的計(jì)算效率用明顯的提高，在對一篇作文分析評分前，我們使用LDA模型將作文中潛在的主題結(jié)構(gòu)。更能直觀的看出每一個(gè)主題與詞匯表中的N個(gè)詞的分布，也能看出一個(gè)詞與N個(gè)主題之間的分布。詞向量:一個(gè)英語單詞是不能直接被計(jì)算機(jī)所識別的，而我們要讓計(jì)算機(jī)能夠識別這些詞，因此，我們需要將這些詞轉(zhuǎn)換成計(jì)算機(jī)能識別的數(shù)學(xué)信號。在詞向量里，word2Vec是一種模型，一種精簡化的神經(jīng)網(wǎng)絡(luò)，經(jīng)過算法不停的鍛煉神經(jīng)網(wǎng)絡(luò)，在經(jīng)歷長時(shí)間的訓(xùn)練后，就可以的一個(gè)權(quán)重矩陣，使用來作為輸入的詞向量，相比one-hot(離散表示)不受維數(shù)災(zāi)難的困擾。經(jīng)常使用的word2Vec模型有兩種:CBOW，Skip-gram。CBOW模型是一種連續(xù)性的詞袋模型，它是根據(jù)文章的上下文，在經(jīng)過編碼，形成權(quán)重矩陣，最后計(jì)算，預(yù)測出中心詞，而Skip-gram模型則恰恰相反，它和CBOW模型相比就是一個(gè)鏡像關(guān)系，它是通過中心詞來預(yù)測上下文。要具體分析作文的分?jǐn)?shù)，采用CBow模型，通過上下文來預(yù)測出中心詞。CBOW模型通過不斷的訓(xùn)練，就會獲得權(quán)重矩陣WV*N，這種權(quán)重矩陣就是輸入的詞向量的表示。卷積神經(jīng)網(wǎng)絡(luò):在通過詞向量得到了一個(gè)權(quán)重矩陣后，在卷積神經(jīng)網(wǎng)絡(luò)的輸入層，將各個(gè)詞向量拼接，在卷積神經(jīng)網(wǎng)絡(luò)的卷積層中，每次卷積的過程都會產(chǎn)生一個(gè)卷積核。循環(huán)神經(jīng)網(wǎng)絡(luò):在循環(huán)神經(jīng)網(wǎng)絡(luò)中，這一步讓機(jī)器真正的像人一樣的記憶，循環(huán)神經(jīng)網(wǎng)絡(luò)中，循環(huán)神經(jīng)網(wǎng)絡(luò)中，有RNN結(jié)構(gòu)，但是RNN結(jié)構(gòu)有個(gè)小缺點(diǎn)，當(dāng)一個(gè)神經(jīng)元距離長了之后，RNN結(jié)構(gòu)就無法有效的利用歷史的信息，因此更多時(shí)候采用的是LSTM結(jié)構(gòu)，它沒有RNN的缺點(diǎn)，能夠很好的保持與遺忘信息。均值分析:在這這一步驟中，將從循環(huán)神經(jīng)網(wǎng)絡(luò)中得到結(jié)果h=(h1，h2，…，hm)，通過計(jì)算其平均值得到一個(gè)與作文評分相關(guān)的特征，在多層的神經(jīng)網(wǎng)絡(luò)之中，要將上一層信號作為下一層的輸入，那么在輸入到下一層前就要通過sigmoid激活函數(shù)f=sigmoid(Wx+b)得到一個(gè)基于0到1之間的值，在最后平均值帶入得到的值就是一個(gè)相關(guān)于分?jǐn)?shù)的權(quán)重，值越大，這個(gè)權(quán)重的作用就會越大。作為一個(gè)剛建好的作文自動評分是還不能使用的，需要將大量的作文篇幅用于訓(xùn)練這個(gè)系統(tǒng)，使其在訓(xùn)練中不斷更新參數(shù)，做到能合理的評分。

4結(jié)語

本文通過傳統(tǒng)的英語紙質(zhì)考試的繁雜與現(xiàn)有系統(tǒng)只能自動評改客觀題，不能評作文這一類主觀題的缺點(diǎn)。為了提高考試效率以及維護(hù)考試公平性，以及提高評卷速率，結(jié)合現(xiàn)有系統(tǒng)的優(yōu)缺點(diǎn)，結(jié)合書籍找到一個(gè)通過自適應(yīng)的遺傳算法作為組卷的方式，大大的提高了組卷的效率，同時(shí)并再次打亂試卷來改變題目順序，達(dá)到預(yù)防作弊效果，在作文這類主觀題方面，通過使用LDA文檔主題模型，詞向量，神經(jīng)網(wǎng)絡(luò)中、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等方式建立了一個(gè)自主評分的作文評分體系。實(shí)現(xiàn)了從出卷到評分過程一體化的英語考試系統(tǒng)。

參考文獻(xiàn):

［1］王萬良．人工智能導(dǎo)論［M］．高等教育出版社，2017．7:134-135．

［2］王耀華，李舟軍，何躍鷹，巢文涵，周建設(shè)．基于文本語義離散度的自動作文評分關(guān)鍵技術(shù)研究［J］．北京:北京航空航天大學(xué)計(jì)算機(jī)學(xué)院.

作者:董澤東 孫新杰 胡洋 單位:六盤水師范學(xué)院數(shù)學(xué)與信息工程學(xué)院