[发明专利]一种基于遗传算法的个性化试卷推送方法

权利要求书

1.一种基于遗传算法的个性化试卷推送方法，其特征在于，具体按照如下步骤实施：

步骤1，对学习者在学习平台学习积极性的量化

通过对学习者在学习平台的行为数据的统计，包括系统登录次数、系统登陆时长、累计在线时长、在线时间间隔、离开平台的时长、离开平台的次数和登录时间离线时间，计算学习者在学习平台上的学习积极性；

步骤2，对学习者在学习平台学习交互度的量化

通过对学习者在学习平台中的论坛参与数据的计算，包括论坛浏览次数浏览时长、帖子的浏览量和点赞量与评论量，学习者的发帖量与被点赞和被评论量的计算，计算学习者在学习平台学习交互度；

步骤3，对学习者在学习平台学习投入的量化；

步骤4，对学习者在学习平台学习强度的量化；

根据步骤1-3中对学习者学习积极性、学习交互度和学习投入的量化数据，对学习者的知识点学习强度进行量化；

步骤5，试卷评价指标的建立；

根据步骤4中学习强度的量化数据计算试卷效度，再结合试卷完成度、试卷知识点覆盖度和试卷信度建立试卷评价指标；具体为：

步骤5.1，计算试卷完成度E₁：

其中，t_{test_i}为题目i的平均作答时间，T_test为完成试卷的限定时间；

步骤5.2，计算试卷知识点覆盖率：

其中，|K|为学习者在学习过程中涉及到的所有知识点个数，K为学习者在学习过程中涉及到的所有知识点集合，|J|为试卷中考察所有已学知识点的个数，J为试卷中所有考察的已学知识集集合；

步骤5.3，计算试卷信度：

其中，k为试卷题目总数，为测试平均总分的方差，为每道试题平均得分的方差；

步骤5.4，计算试卷效度E₄：

其中，X_strength为学习者知识点学习强度向量，Y_diff为试卷中对应知识点考察难度，

步骤6，通过试卷的四个评价指标建立组卷目标函数；

步骤7，采用遗传算法模型对组卷目标函数进行优化，输出适应度值最高的个体，即就是最适合的试卷，推送给学习者。