[發明專利]一種基于深度語義表征的試題難度預測方法及系統

在審

• 申請號: 202111036288.4
• 申請日: 2021-09-06
• 公開（公告）號: CN113743083A
• 公開（公告）日: 2021-12-03
• 發明（設計）人: 周東岱;顧恒年;董曉曉;鐘紹春;段智議
• 申請（專利權）人: 東北師范大學;東北師大理想軟件股份有限公司
• 主分類號: G06F40/20
• 分類號: G06F40/20;G06F16/35;G06K9/62;G06Q10/04;G06Q50/20;G06N3/04;G06N3/08
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 韓雪梅

本發明公開了一種基于深度語義表征的試題難度預測方法及系統。該方法包括：基于預訓練語言模型對多類型試題進行文本表征；對試題文本表征進行特征提取和融合；基于多層感知機對融合后的特征進行分類，確定多類型試題的所屬知識點集合；計算知識點集合中各知識點的拓撲距離；基于深度注意力網絡模型，根據融合后的特征確定多類型試題的認知層級；基于試題文本表征、知識點拓撲距離以及認知層級預測多類型試題的難度。本發明在確定試題認知層級基礎上，結合試題上下文特征、知識點拓撲結構特征，研究基于混合神經網絡模型和認知層級的試題難度自動評估框架，從而解決試題文本認知層級標注困難和語料不足、試題難度評估標準單一缺乏認知指導的問題。

技術領域

本發明涉及試題表征技術領域，特別是涉及一種基于深度語義表征的試題難度預測方法及系統。

背景技術

傳統教育中，試題的屬性標簽通常由專家手工標注，存在費時費力、科學性與一致性難以保證等問題。針對這一問題，已有研究人員利用手工篩選分類特征，利用機器學習技術構建模型對試題的各項屬性進行標注。但是，此類研究仍未能充分利用試題文本中存在的豐富的語義信息，以及不同題型的文本模塊之間存在的復雜的上下文關系，屬性標注的精度有待提高。此外，現有研究中，也未充分重視試題的認知目標這一重要屬性，認知目標對評價學習者的思維有著重要的作用，以及認知目標下試題難度評估也缺乏研究。

發明內容

本發明的目的是提供一種基于深度語義表征的試題難度預測方法及系統，用以解決試題文本認知層級標注困難和語料不足、試題難度評估標準單一缺乏認知指導的問題。

為實現上述目的，本發明提供了如下方案：

一種基于深度語義表征的試題難度預測方法，包括：

基于預訓練語言模型對多類型試題進行文本表征；所述多類型試題包括三種題型，為填空題、選擇題和簡答題；三種題型共包括四種結構文本，為題干文本、答案文本、選項文本和解析文本；

對試題文本表征進行特征提取和融合；

基于多層感知機對融合后的特征進行分類，確定多類型試題的所屬知識點集合；

計算所述知識點集合中各知識點的拓撲距離；

基于深度注意力網絡模型，根據融合后的特征確定所述多類型試題的認知層級；

基于所述試題文本表征、知識點拓撲距離以及所述認知層級預測所述多類型試題的難度。

進一步地，所述對試題文本表征進行特征提取和融合，具體包括：

采用雙向長短記憶網絡模型對題干文本表征和解析文本表征進行特征提取；

采用卷積經網絡模型對答案文本表征和選項文本表征進行特征提取；

采用特征融合模型進行特征融合。

進一步地，所述采用特征融合模型進行特征融合，具體包括：

對于填空題，對提取到的填空題題干文本特征和填空題答案文本特征進行拼接，并輸入到一層BiLSTM和注意力機制層進行融合；

對于選擇題，將各選項文本特征示輸入到一個注意力機制層后和選擇題題干文本特征進行拼接，并輸入到一層BiLSTM和注意力機制層進行融合；

對于簡答題，將簡答題題干文本特征和簡答題答案文本特征進行拼接，并輸入到一層BiLSTM和注意力機制層進行融合；將簡答題解析文本特征和簡答題答案文本特征進行拼接，并輸入到一層BiLSTM和注意力機制層進行融合；將融合后的特征輸入至全連接層進行最終融合。

進一步地，所述基于所述試題文本表征、知識點拓撲距離以及所述認知層級預測所述多類型試題的難度，具體包括：