[发明专利]一种基于IRT的信息处理方法及装置

说明书

本发明实施例公开了一种基于IRT的信息处理方法及装置。该方法包括：获取预设数量的答题者关于目标题库的答题信息样本，基于每个答题者所做题目的答题情况为独立事件的假设，确定目标题库中的对应题目被所有具备预设学习能力的答题者做对的频率权重，将频率权重代入预设估计模型中，得到目标估计模型，其中，预设估计模型为基于IRT模型及MML估计方法的最大后验概率估计模型，根据答题样本信息利用MML估计方法对目标估计模型进行训练，以对所述目标题库中的各题目的题目信息进行估计。本发明实施例通过采用上述技术方案，使基于IRT模型的MML估计方法能够更好的应用于自适应学习环境，并有效提升模型运行效率及估计准确度。

技术领域

本发明实施例涉及信息处理技术领域，尤其涉及一种基于IRT的信息处理方法及装置。

背景技术

随着计算机技术在教育领域的广泛应用，自适应测试及自适应学习等日益得到人们的关注。自适应学习系统旨在提供一种学生自主学习平台，其对学生的解题信息进行收录，并通过技术手段对学生的做题能力进行实时评估，分析最适合学生掌握所学科目的学习路径，并与此同时对题库数据进行整合更新。自适应学习系统有合理优化学生学习日程、调动学生的学习积极性、辅助教师提高教学效率及解决教育资源分配不均等功能。

自适应学习的核心在于如何通过计算机有效的评估学生的解题信息并安排相应的学习路径。关于学生测试评估问题的研究，可追溯到二十世纪30年代提出的经典测试理论(Classical test Theory,CTT)，该理论将学生解题结果看成是学生能力加随机噪声的某种线性拟合，其对心理与教育测量的理论和实践都有巨大的贡献。然而，随着时代发展，学生所学知识内容逐渐丰富和多样化，而CCT理论对测试题组的标准化要求以及随机化技术难以重复性实施等因素限制了CCT理论的应用与发展，该理论已不能满足日益多样化的教学方式和日常学习评估。因此，新的理论脱颖而出，例如贝叶斯知识跟踪(Bayesianknowledge tracing,BKT)模型及项目反映理论(Item response theory,IRT)等。

IRT模型由于其易操作性和灵活嵌入等特点，成为目前主流自适应学习平台(例如Knewton等公司)所采用的评估学生解题信息的分析引擎。IRT采用非线性函数表述学生学习能力和测试题目之间的关系。相对于经典测试理论，项目反映理论能够较好的处理一定规模的数据集，并且给出学生能力与所解题目之间的对应关系。在应用IRT模型时，一般需要对题目信息进行估计，现有的基于IRT进行题目信息估计的方案包括联合极大似然(Joint Maximum likelihood，JML)估计方法，边际极大似然(Marginal Maximumlikelihood，MML)估计方法以及马尔科夫蒙特卡洛(Markov Chain Monte Carlo，MCMC)方法等。发明人发现，MML估计方法较其他方法而言效率较高，但该方法的应用存在一定的限制条件，当每个答题者所做的题目以及做题的先后顺序一致(例如在考试等场景下)的情况下，才能够得到较高的效率以及较准确的估计结果，而自适应学习系统中包含的题目是海量的，不同答题者所做题目也是千差万别的，因此MML估计方法在应用于考试及测验场景外的自适应学习系统时的效率及准确度难以满足需求。

发明内容

本发明实施例的目的是提供一种基于IRT的信息处理方法及装置，以解决现有的基于IRT的题目信息估计方案在处理大量题目时效率低及准确度低的问题。

一方面，本发明实施例提供了一种基于IRT的信息处理方法，包括：

获取预设数量的答题者关于目标题库的答题信息样本；

基于每个答题者所做题目的答题情况为独立事件的假设，确定所述目标题库中的对应题目被所有具备预设学习能力的答题者做对的频率权重；

将所述频率权重代入预设估计模型中，得到目标估计模型，其中，所述预设估计模型为基于IRT模型及边际极大似然MML估计方法的最大后验概率估计模型；