[发明专利]一种联合试题分类与评分学习的主观题自动评阅深度学习方法

说明书

本发明公开了一种联合试题分类与评分学习的主观题自动评阅深度学习方法，涉及人工智能与智慧教育的交叉领域。本发明针对不同类型的主观题具有不同的评阅方式的特点，通过联合试题分类与评分学习，使得主观题自动评阅神经网络模型能够掌握不同类型试题的评卷方法，以更有效的方法解决主观题自动评阅问题。首先，通过一个积神经网络对待评阅的主观题进行试题分类，得到待评阅的主观题试题类型。然后，将待评阅的主观题的试题类型嵌入和学生答案输入序列及标准答案输入序列的每一个字嵌入相连接，得到试题类型感知的学生答案输入和标准答案输入，并通过一个由卷积与双向长短期记忆网络组成的杂合模型进行高精度评分。

技术领域

本发明涉及人工智能与智慧教育的交叉领域，尤其是一种联合试题分类与评分学习的主观题自动评阅深度学习方法，可广泛应用于各个学科的主观题计算机自动阅卷系统中。

背景技术

考试试卷中的试题从答案组成的形式上，被普遍分为客观题与主观题两大类。答案以选项编号表示的单选题、多选题、判断题等试题被称为客观题，而答案采用自然语言表示的简答题、名词解释和论述题等试题被称为主观题。由于单选题、多选题、判断题等客观题目的答案都是以选项编号表示，目前计算机对于此类题型进行自动阅卷时，只需将标准答案的选项编号与学生答案的选项编号进行简单的匹配运算，匹配成功则答案正确，该处理技术已经取得较好的成果。但对于答案采用自然语言表示的主观题自动阅卷技术,如：对简答题、名词解释和论述题等自动评卷，由于其受到自然语言理解、人工智能等理论与技术瓶颈影响,效果不是很理想。

随着人工神经网络技术的不断发展，许多深度学习模型如基于LSTM的模型、基于CNNLSTM的模型和基于Transformer的模型被应用于主观题评卷。这些深度学习模型利用不同的神经网络从答案文本中自动提取语义特征，从而提供一种无需任何人工特征工程的端到端方法。然而，主观题自动评卷的深度学习方法仍然具有诸多挑战性。其中，一个重要的挑战是：有的题型的主观题答案具有顺序性，而有的题型的主观题答案没有顺序性，例如对于试题“请按从小到大的顺序依次写出存储容量的单位”，答案要点“B、KB、MB、GB”具有顺序性；但对于试题“简述双绞线的优点”，答案要点“高柔性、耐油、防水、耐磨、耐酸、耐寒、耐弯曲”却没有顺序性，即学生答案“防水、耐寒、耐弯曲、耐油、耐磨、耐酸、高柔性”也是完全正确的。因此，如何针对不同的题型，自动学习不同的评阅方法是主观题自动评阅深度学习方法需要解决的难题之一。

发明内容

本发明公开了一种联合试题分类与评分学习的主观题自动评阅深度学习方法，通过联合试题分类与评分学习，使得主观题自动评阅的深度学习方法能够学习到针对不同的题型采用不同的评阅方法，从而以更有效的方法解决主观题自动评阅问题。

为实现上述目的，本发明的技术方案为：

一种联合试题分类与评分学习的主观题自动评阅深度学习方法，其特征在于包括以下步骤：

S1.通过一个带有残差连接的CNN试题分类子模型对待评阅的主观题进行试题分类，得到待评阅的主观题试题类型；

S2.将待评阅的主观题的试题类型嵌入和学生答案输入序列及标准答案输入序列的每一个字嵌入相连接，得到试题类型感知的学生答案感知输入和标准答案感知输入，然后将它们送入一个由CNN和Bi-LSTM组成的主观题试卷评分子模型进行评分，得到学生答案的评分等级；

S3.通过联合计算步骤S1和步骤S2的损失函数，训练一个联合试题分类与评分学习的主观题自动评阅神经网络模型；

S4.使用步骤S3训练成型的主观题自动评阅神经网络模型，对任意的学生答案进行评阅；