一、试题库人工任意组卷方式的研究（论文文献综述）
魏路通[1]（2021）在《卫生统计学智能组卷系统设计与实现》文中研究指明研究目的:基于理论研究与卫生统计学考试特征,定义试题属性并构建题库,改进智能组卷算法并构建智能组卷模型和策略。进而分析系统需求,设计系统框架和界面,面向卫生统计学课程师生,设计研发卫生统计学智能组卷系统。研究内容:1.梳理智能组卷系统基础理论,确定理论指导;2.探究试题属性初始值确定方法,建设基于试题多元属性的卫生统计学题库;3.构建试卷数学模型,改进组卷算法,研究智能组卷策略;4.设计卫生统计学智能组卷系统功能架构、界面,测试系统。研究方法:1.通过文献研究和内容比较分析法对题库构建和组卷算法的基本理论进行学习总结和分析对比,选择适用于卫生统计学智能组卷系统的理论方法;2.运用配对设计检验试题难度预估模型效果,运用线性回归分析确定区分度与难度的回归分析表达式,利用矩阵分析构建试卷的数学模型,明确各指标和约束;3.通过多目标优化方法解决自动化抽题组卷问题,制定组卷策略;4.运用需求分析、标准建模语言图和界面设计等方法进行卫生统计学智能组卷系统功能架构、数据库、界面分析和设计,应用黑盒测试法开展系统测试。研究结果:1.分析了相关理论及研究现状,确定经典测量理论和遗传算法为理论指导。2.确定了试题属性并定义取值,建立初始难度和初始区分度预估值表达式。以知识点为选题依据,初步建立包含757道题目的题库为组卷策略研究提供支持。3.构建了试卷数学模型,改进遗传算法中初始种群的生成过程、交叉算子和变异算子,建立适应度函数,设计组卷流程和方案,制定智能组卷策略。4.分析了系统需求,完成系统的概要设计和界面绘制,系统功能达到预期效果。研究结论:通过开发智能组卷系统可以缓解卫生统计学传统组卷模式中的问题。本研究确定的卫生统计学试题属性较为全面,选择题难度预估效果较好。基于改进遗传算法制定的组卷策略可以实现智能组卷。系统设计和开发基本达到预期。
赵向东,赵湘慧,曾凡林,韩光磊[2]（2020）在《在线测评系统的研发实践与试题库核心要素分析》文中研究说明本文以理论力学在线试题库及组卷系统研发为例,介绍在线测评系统的选题策划、建库流程、测评系统设计、试题审核入库等过程,分析影响试题库系统的核心要素,以期为推动高校教育的信息化、提升教学水平提供参考。
李梅[3]（2020）在《中小学英语数字题库模型构建研究》文中认为伴随着互联网技术的发展以及人们阅读学习方式的变革,在线教育作为新兴的教学评测模式,以其跨空间、跨区域、实时快速、海量共享的特点在国民的学习过程中发挥着越来重要的作用,全民阅读学习方式的变革同时也推动着数字出版方式的转型升级。在线教育作为数字出版产业链中的一环,近年来得到迅速的发展,根据2019年新浪教育应用排行榜显示,类似猿题库,作业帮,粉笔应用的数字题库排名位列前十。尤其伴随着大数据技术的发展以及AI人工智能技术的加持,数字题库不再是传统意义上的固定化试题库,而是基于用户个性化特征进行精准学习的平台。同时数字题库资源与按需出版相结合能有效解决个性化图书的出版问题。因此本文以中小学英语学科为研究对象聚焦于英语类数字题库的研究其内容如下:第一部分:通过浏览学术论文、专着、调查报告等方式了解数字题库的相关学术界定,技术实现和发展阶段,从而从整体上把握数字题库的特征及应用属性。第二部分:调研数字题库市场上最为流行的经典题库作为案例,本文以排名、用户量和覆盖度为标准选取了猿题库、学霸君和翼课网作为研究对象,对其内容分类、功能设置、界面呈现、用户体验等方面进行评析,从中分析其优劣势,并总结归纳题库的一般规律。第三部分:在进行案例研究之后,根据其痛点提出一个优化的、全新的、专业的中小学英语数字题库设计方案,结合大数据技术和人工智能,分别创建两个角色——学生和教师,注重用户的个性化体验以及数据的可视化呈现。第四部分:数字题库拥有着巨量的出版资源,新的设计理念下的题库更加注重用户的个性化学习,与按需出版相结合能有效解决传统出版的转型、库存、发行等问题,本部分提出了二者相结合的应用平台以及出版发行流程。
廖鋆[4]（2020）在《基于JavaWeb的精品资源共享课程系统的设计与实现》文中提出随着互联网浪潮的推进与传统教学方式的革新,我国高校教育已经开始引入教育质量和共享教学信息的重要途径。精品资源共享课程的建设,不仅方便教研工作人员开展教学工作,也为新世纪培养高素质人才提供了有力的支持。但是与此同时,精品资源共享课程网站的发展也存在一些问题,如:静态页面为主、交互性不强、更新缓慢、课程资源展现形式单一等。本论文主要通过以下三个方面展开研究:（1）通过详细的系统需求分析,对教研人员、学务处、教务处和学生进行调研和访谈的基础上,最终确定了系统功能。（2）本系统基于SSM框架,设计了精品资源共享课程系统主要功能、数据库概念模型和数据库表结构。主要包括课程资源管理、论坛管理、作业管理、考试管理、平台管理等功能。（3）采用改进的遗传算法完成试题的自动组合,提高了试题组合的多样性,降低了试卷的重复率,降低了系统代码维护的成本。采用客观题自动评分和主观题人工阅卷相结合的方式,提高试卷评判的准确度,减少教学工作人员的工作量。基于以上研究,本文设计并实现了基于JavaWeb的精品资源共享课程系统。借助该系统中的课程资源共享、教学互动、效果评价、在线考试等功能,实现灵活教学,节约教学资源。
黄唯[5]（2019）在《基于人工鱼群算法的智能组卷系统设计与实现》文中认为随着信息技术与人工智能的不断发展,社会对教育技术有了更高的要求,计算机在教育辅助方面的应用变得更加广泛。智能组卷系统作为教学辅助的重要方式之一,利用人工智能算法以及计算机技术,根据约束条件,从试题库对试题进行选取,组成符合难度、时间、区分度等需求的试卷。本文首先介绍了计算机辅助教育以及智能组卷的研究背景及国内外发展现状,对现有组卷算法及其存在的优缺点进行分析。结合用户的需求,设计了组卷的基本业务流程,对系统管理、题库管理以及试卷管理等典型功能进行分析,最终完成了数据库系统的设计。本文重点对人工鱼群算法进行详细介绍,对智能组卷系统中人工鱼群算法的具体系统实现步骤进行分析。人工鱼群算法相对其他算法而言具备仅需比较目标函数值优劣,适合非线性函数的优化,收敛快以及对初值不敏感,具有较强跳出局部最优等特点,尤其适合应用在组卷系统中。本文将人工鱼群算法应用于组卷系统的组卷模块中,为提高试卷知识点覆盖率,把握难度控制,引入了适应度计算公式。在保证试题难度控制、知识点覆盖度的前提下,完成了组卷的最优化,通过本算法与其他组卷算法上实验对比,证明了本算法的优越性。本系统采用人工鱼群算法来实现智能组卷工作,提高了组卷效率,保证了试卷的合理性、科学性,减少了组卷过程中的主观因素,使组卷工作更符合教师的要求,可在众多高校考试中推广应用。
杨伟海[6]（2019）在《在线考试的智能题库管理系统的设计与实现》文中研究说明当今互联网时代,在线考试领域受到国内外的广泛关注,题库管理技术也得到深入发展,但现有题库管理系统存在欠缺,同时大数据时代的海量题库可能导致组卷结果存在语义相似性,带来新的挑战。论文依托在线考试系统,立足于解决海量题库的智能组卷新问题,并设计和实现了一种可行的智能题库管理系统。对于题库管理中的智能组卷技术国内外已经有较多的研究,但少有涉及组卷的语义相似问题的处理。本文针对海量题库的智能组卷算法中可能会出现语义重复的问题,首先应用改进的遗传粒子群算法从试题库中搜索符合考试的约束条件的多套试卷;然后用密度熵的思想对试卷进行精英筛选,使这些试卷涵盖更均匀的试题;接着对筛选后的试卷进行试题的语义相似性分析,即选用TextRank算法提取试题的关键词、主题关键词加权的VSM模型计算试题文本的语义相似性,淘汰掉重复率高的试卷,避免考察点重复。解决了海量题库组卷中的语义相似问题。本文首先调研了在线考试的智能题库管理系统的研究现状,并对系统中使用的技术和借鉴的思想进行了介绍。然后通过分析系统的用户需求,明确了系统的核心功能指标和性能要求。其次重点对系统可能存在的语义重复的关键问题进行研究,提出了一种解决试题语义相似性问题的智能组卷算法。接着描述系统整体的总体设计,重点对系统设计与实现中的几个关键问题进行研究,给出了有效的解决方案。然后按照总体设计的要求,在完整的描述了系统各个功能模块实现过程的基础上,深入介绍组题成卷子系统的设计与实现细节,突出了系统的智能性。最后对系统进行了测试,并总结了作者的学习经历和系统的发展前景。
马琳[7]（2019）在《基于MOOC视频字幕和学习数据的自动评测模型和算法研究》文中提出慕课是近几年出现并且发展非常迅速的一种在线学习课程,它将教育资源以视频、博客、文档等形式通过互联网传播给每一个人,使得学习变得更加容易和方便,在高等教育领域影响较大。MOOCs学生数量的大规模增加使得其评测反馈系统的自动化变得越来越重要,因此本文围绕MOOCs评测系统中出题和组卷两个任务的自动化开展了一系列的研究,其中主要工作和创新点包括:·本文创新性地提出了一种基于MOOCs视频字幕的自动出题算法。先基于维基知识图谱对视频字幕进行结构化,提取出感兴趣的知识实体及其相互关系,构建课程知识图谱;然后用基于模版的出题算法从课程知识图谱中自动生成测试题目。在公开数据集Simple Questions上的实验结果表明,我们提出的基于模版的自动出题算法可以有效地改善题目的准确性和可理解性,其中准确率比其他方法提高了6.99%（评价指标为BLEU）。·本文创新性地提出了一种由MOOCs学生平时学习数据所驱动,基于遗传算法的自动组卷模型。在该模型中,我们先根据学生的平时学习数据预测其学习效果,进而决定试卷的整体难度要求;然后用遗传算法从题库中找到合适的题目组合,使得其难度、知识点分布、题型分布等都基本满足目标约束。在MOOCs课程上的实验结果表明,预测模型的平均绝对误差在百分制的情况下为10分左右,并且算法可以在多个目标约束下成功完成组卷任务。综上,本文设计并实现了一套基于MOOCs视频字幕和学生学习数据的自动评测模型,为MOOCs评测反馈系统的自动化、自适应化作出了贡献。
苏荣聪[8]（2018）在《基于LCS+LD混合算法的在线考试系统的设计与实现》文中指出在线考试系统是远程教育系统的重要组成部分,是保证在线教育实现终生教育的主要手段。在在线考试系统的发展过程中,在试题录入、试卷组卷、考试管理和主观题评分等方面存在一些问题,制约了在线考试系统的进一步发展。在本文的研究中,主要采用系统需求分析、系统设计、系统实现和系统测试的思路,对在线考试系统建设过程中所存在的问题进行研究。其中,针对试题重复录入问题,结合LD算法和LCS算法,利用LCS算法计算两字符串的最长公共子序列,并利用LD算法来计算两个字符串的差异长度,结合两者的分析结果,使用LCS+LD混合算法所得到的试题相似性计算结果更加符合实际情况;针对在线考试系统的智能组卷问题,采用遗传算法进行智能组卷,先进行智能组卷数学模型的研究,并采用分组编码方法对遗传算法中的个体进行编码,在此基础上,进行符合自动组卷特点的适应度函数、终止条件、选择算子、交叉算子和变异算子的设计;针对考试过程中的作弊问题,主要采取禁止浏览器右键、快捷键和禁止窗口切换的方法防止学生通过网络搜索工具作弊;针对主观题的自动评分问题,在词语语义相似度计算研究的基础上,对汉语句子的相似度计算进行研究,并通过汉语句子相似度的计算,来实现在线考试系统中的主观题分数计算。本课题对在线考试系统建设中存在的若干问题进行了研究,重点针对试题重复录入、智能组卷、考试防作弊和主观题辅助评分等问题进行研究,课题的研究为解决在线考试系统所存在的问题提供了思路。
冯俊翔[9]（2018）在《高效组卷算法与个性化试题推荐研究》文中研究指明随着互联网教育的快速发展,考试作为一种传统、有效的学习效果检测方式,其需求量也呈指数级增长,但传统的在线考试模式因其组卷效率低下、无法实现个性化组卷,已无法满足用户的需求,成为制约互联网教育发展的瓶颈之一。如何实现高效组卷、并为用户生成个性化检测方案成为当务之急。为了全面考察用户对知识点的掌握情况,探寻如何针对不同用户学习情况高效地生成个性化试卷,本文做出如下研究工作:1.通过分析目前主要的组卷算法研究现状及不足之处,针对传统组卷算法中存在的组卷耗时高、效率低下、无法满足多个制卷条件等缺陷,提出了一种高效多背包容器组卷算法。2.通过研究现有的推荐策略,在组卷算法的基础上,构建了一种适用于组卷算法的个性化试题推荐策略,并以梯度下降法对构建的模型进行求解,实现了策略能够针对不同用户学习情况生成个性化试题。3.针对基于组卷算法的推荐策略可能出现的“趋势集中现象”,研究了基于拉普拉斯噪音的差分机制,并使用该机制对推荐策略进行加噪,实现对“趋势集中现象”的规避。最后,本文针对高效背包容器组卷算法、基于组卷算法的推荐策略及其加噪机制分别进行了仿真模拟实验。在组卷算法的仿真实验中,通过与传统算法比较,在组卷条件困难的情况下效率提高了62.05%,且随着制卷条件的复杂化,组卷耗时增长远远小于传统算法。在基于组卷算法的推荐策略仿真实验中,本文构建的推荐策略模型能够正确求解,同时结合其他公开文献提出的求解方法,可以通过不同的方式求解得出合理的结果,相比之下预测误差明显下降,证明了本文模型具备的可行性。通过对本文推荐策略模型加噪前后的准确率与召回率的对比可以证明加噪机制在保证推荐结果准确性的同时,也能够避免“趋势集中现象”的发生。结果表明与传统模型相比,本文模型具备可行性、高效性。
税靖[10]（2018）在《基于遗传算法的自动组卷及经典测量理论评价》文中提出随着计算机技术和人工智能的快速发展,无纸化考试已成为信息技术发展的必然趋势。自动组卷不仅能够保证考试的客观性和公正性,还可以减少教师在考试过程中编制试题及批阅试卷的工作量,同时也能节约大量的人力和物力资源。然而,现有的自动组卷方法在组卷质量上还有待提高,并且很少对生成试卷的质量进行分析与评价。针对以上问题,以经典测量理论为指导,选取遗传算法作为自动组卷方法,通过仿真实验生成试卷,以经典测量理论中的难度、区分度、信度和效度为评价指标,对试卷质量进行检验,结果表明满足试卷质量的要求,同时所取得的成绩也服从正态分布。论文主要工作包含以下四个方面。第一,梳理了自动组卷的相关文献,分析了自动组卷的教育理论,以此确定自动组卷的约束条件,构建自动组卷的数学模型。通过对自动组卷教育理论的分析,选取经典测量理论作为指导;将试题编号、试卷分值、试题题型、试题章节和试题难度确定为组卷的约束条件,以此构建了自动组卷的数学模型。第二,选取自动组卷算法,并对所选取的自动组卷算法进行设计。通过对比分析常用几种组卷算法的优缺点及应用范围,从中选取遗传算法作为论文的组卷算法;并对遗传算法进行设计,在染色体编码方案中采用分组实数编码、在选择算子中采用轮盘赌选择方法、在交叉算子中采用组内单点交叉方式,在变异算子中采用分段基因位变异方式。通过对遗传算法的设计,为遗传算法在自动组卷中的应用奠定了良好的基础。第三,将基于遗传算法的自动组卷算法应用到《计算机基础》课程实际组卷过程中,以此来检验组卷算法的效果。根据建立的《计算机基础》试题库,采用MATLAB进行仿真实验,生成10份试卷,并对10份试题的章节和难度进行统计分析,结果表明运用遗传算法组卷具有较好的效果;将所设计的遗传算法与随机抽取算法和蚁群算法进行对比实验,结果表明采用遗传算法所生成的试卷比其它两种算法更符合实际的组卷要求。第四,将生成的试卷用于实际的考试过程中,根据考试成绩检验生成试卷的质量。选取5份试卷运用到实际的模拟考试中,根据考试成绩,以经典测量理论中的难度、区分度、信度和效度对试卷质量进行评价;并对所取得成绩进行正态分布检验,结果表明成绩服从正态分布,能够满足试卷质量的要求。
二、试题库人工任意组卷方式的研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、试题库人工任意组卷方式的研究（论文提纲范文）
（1）卫生统计学智能组卷系统设计与实现（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 1 前言 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.2.1 题库及题库系统 |
| 1.2.2 智能组卷算法 |
| 1.2.3 卫生统计学组卷系统 |
| 1.3 研究目的与意义 |
| 1.3.1 研究目的 |
| 1.3.2 研究意义 |
| 2 研究内容与方法 |
| 2.1 研究内容 |
| 2.1.1 梳理智能组卷系统基础理论 |
| 2.1.2 建设基于试题属性的试题库 |
| 2.1.3 构建试卷数学模型,研究智能组卷策略 |
| 2.1.4 卫生统计学智能组卷系统设计与实现 |
| 2.2 研究方法 |
| 2.2.1 文献研究 |
| 2.2.2 内容比较分析 |
| 2.2.3 数学分析方法 |
| 2.2.4 跨学科研究方法 |
| 2.3 技术路线 |
| 3 研究结果 |
| 3.1 基础理论分析 |
| 3.1.1 题库构建理论 |
| 3.1.2 组卷理论与算法 |
| 3.1.3 传统遗传算法分析 |
| 3.2 基于试题属性的题库构建 |
| 3.2.1 题库构建原则 |
| 3.2.2 题目属性 |
| 3.2.3 题库构建过程 |
| 3.2.4 题库构建结果分析 |
| 3.3 组卷策略研究 |
| 3.3.1 组卷基本原则 |
| 3.3.2 试卷数学模型 |
| 3.3.3 改进遗传算法 |
| 3.3.4 组卷流程设计 |
| 3.3.5 组卷方案选择 |
| 3.4 系统设计与实现 |
| 3.4.1 需求分析 |
| 3.4.2 系统概要设计 |
| 3.4.3 用户界面设计 |
| 3.4.4 系统实现与测试 |
| 4 讨论 |
| 4.1 理论指导选择的合理性 |
| 4.2 试题属性及题库构建情况 |
| 4.3 组卷策略的应用效果 |
| 4.4 系统设计开发与应用评价 |
| 4.5 研究的局限性 |
| 5 总结与展望 |
| 5.1 研究总结 |
| 5.2 工作展望 |
| 参考文献 |
| 附件 |
| 附件1: 卫生统计学试题难度因素模型各系数确定过程 |
| 附件2: 试卷生成结果 |
| 攻读硕士期间发表论文与参与科研情况 |
| 致谢 |
（2）在线测评系统的研发实践与试题库核心要素分析（论文提纲范文）
| 一、理论力学在线试题库及组卷系统的研发过程 |
| (一)选题策划 |
| (二)建库流程 |
| (三)在线测评系统的设计 |
| 1.设计原则 |
| 2.功能需求 |
| 3.组卷算法的采用 |
| (四)试题的审核与入库 |
| 二、试题库核心要素分析 |
| (一)试题质量 |
| (二)组卷质量 |
| (三)协同共享和易用性 |
| (四)视觉效果 |
| 三、总结 |
（3）中小学英语数字题库模型构建研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 研究内容与方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 研究创新点 |
| 1.4.1 提出中小学英语数字题库模型规划 |
| 1.4.2 设计数字题库编校的流程 |
| 1.4.3 将英语题库与个性化出版相结合 |
| 2 数字题库的相关理论 |
| 2.1 数字题库的相关概念界定 |
| 2.1.1 题库的产生 |
| 2.2 测量理论 |
| 2.2.1 Rasch测量理论 |
| 2.2.2 项目反应理论 |
| 2.2.3 中国英语能力等级量表 |
| 2.3 相关技术概述 |
| 2.3.1 原型设计系统 |
| 2.3.2 测试组卷理论 |
| 3 现有中小学英语数字题库应用案例研究 |
| 3.1 猿题库APP版数字题库 |
| 3.1.1 猿题库学生版 |
| 3.1.2 猿题库老师版 |
| 3.1.3 猿题库APP评析 |
| 3.2 魔方格WEB版在线数字题库 |
| 3.2.1 魔方格WEB版的特色 |
| 3.2.2 魔方格WEB版评析 |
| 3.3 翼课网WEB版英语数字题库 |
| 3.3.1 翼课网英语数字题库——学生版 |
| 3.3.2 翼课网英语数字题库——老师版 |
| 3.3.3 翼课网英语数字题库评析 |
| 3.4 英语数字题库的综合分析 |
| 3.4.1 综合性题库偏多,专业性题库紧缺 |
| 3.4.2 数字题库类项庞杂、纷乱 |
| 3.4.3 数字题库与网络课程衔接性差 |
| 4 中小学英语数字题库的模型设计 |
| 4.1 题库的设计原则 |
| 4.1.1 大数据匹配个人信息 |
| 4.1.2 打造“教-学-练-测-评”一体化闭环 |
| 4.2 系统规划设计 |
| 4.3 知识库分类设计 |
| 4.3.1 语法库 |
| 4.3.2 单词库 |
| 4.3.3 听说库 |
| 4.4 实体层设计 |
| 4.5 题库功能设计 |
| 4.5.1 运营商角色 |
| 4.5.2 老师角色 |
| 4.5.3 学生角色 |
| 4.6 编校流程设计 |
| 5 中小学英语数字题库模型搭建 |
| 5.1 学生系统 |
| 5.1.1 知识点 |
| 5.1.2 题型 |
| 5.1.3 模拟考试 |
| 5.1.4 学习学院 |
| 5.1.5 数据库 |
| 5.2 教师系统 |
| 5.2.1 布置作业 |
| 5.2.2 检查作业 |
| 5.2.3 课程管理 |
| 5.2.4 数据统计 |
| 6 中小学英语数字题库模型的按需出版规划 |
| 6.1 按需出版的相关研究 |
| 6.1.1 按需出版的概述 |
| 6.1.2 按需出版的特点 |
| 6.2 英语数字题库按需出版的规划 |
| 6.2.1 英语数字题库按需出版的内容 |
| 6.2.2 数字题库出版的流程 |
| 结论 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（4）基于JavaWeb的精品资源共享课程系统的设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 论文背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容及方法 |
| 1.4 论文结构 |
| 第2章 相关算法和技术介绍 |
| 2.1 基于遗传算法的自动组卷理论 |
| 2.2 前端相关技术 |
| 2.3 后台相关技术 |
| 2.4 本章小结 |
| 第3章 系统需求分析 |
| 3.1 精品资源共享课程的总体描述 |
| 3.2 系统用户需求分析 |
| 3.3 系统功能需求分析 |
| 3.4 本章小结 |
| 第4章 系统设计 |
| 4.1 系统设计原则 |
| 4.2 系统功能设计 |
| 4.3 系统数据库设计 |
| 4.4 本章小结 |
| 第5章 系统实现 |
| 5.1 系统开发环境 |
| 5.2 主要功能模块的实现 |
| 5.3 本章小结 |
| 第6章 系统测试 |
| 6.1 测试环境 |
| 6.2 系统功能测试 |
| 6.3 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 个人简介 |
（5）基于人工鱼群算法的智能组卷系统设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究思路 |
| 1.4 主要研究内容 |
| 1.5 组织结构 |
| 第二章 相关理论技术 |
| 2.1 智能组卷概述 |
| 2.3 常用组卷算法 |
| 2.3.1 随机组卷算法 |
| 2.3.2 回溯组卷算法 |
| 2.3.3 遗传组卷算法 |
| 2.4 人工鱼群算法原理 |
| 2.5 MVC架构理论 |
| 2.6 本章小结 |
| 第三章 智能组卷系统需求分析 |
| 3.1 系统需求概述 |
| 3.2 系统可行性分析 |
| 3.2.1 技术可行性 |
| 3.2.2 经济可行性 |
| 3.3 组卷系统用例分析 |
| 3.3.1 系统管理用例 |
| 3.3.2 题库管理用例 |
| 3.3.3 试卷管理用例 |
| 3.4 非功能性需求分析 |
| 3.4.1 稳定性需求分析 |
| 3.4.2 维护性需求分析 |
| 3.4.3 拓展性需求分析 |
| 3.4.4 安全需求分析 |
| 3.5 本章小结 |
| 第四章 智能组卷系统设计 |
| 4.1 系统设计原则 |
| 4.2 系统架构设计 |
| 4.2.1 逻辑架构设计 |
| 4.2.2 拓扑结构设计 |
| 4.3 系统功能模块详细设计 |
| 4.3.1 系统管理模块 |
| 4.3.2 题库管理模块 |
| 4.3.3 试卷管理模块 |
| 4.4 基于人工鱼群的智能组卷算法设计 |
| 4.4.1 智能组卷基本思路 |
| 4.4.2 基本步骤 |
| 4.5 数据库设计 |
| 4.5.1 数据库概念设计 |
| 4.5.2 数据库物理设计 |
| 4.6 本章小结 |
| 第五章 智能组卷系统实现与测试 |
| 5.1 系统实现环境 |
| 5.2 典型功能模块实现 |
| 5.2.1 教师功能实现 |
| 5.2.2 管理员功能实现 |
| 5.2.3 学生功能实现 |
| 5.3 系统测试环境 |
| 5.4 系统测试过程 |
| 5.4.1 功能测试 |
| 5.4.2 性能测试 |
| 5.4.3 安全性测试 |
| 5.5 智能组卷效果测试分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表论文情况 |
（6）在线考试的智能题库管理系统的设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 前言 |
| 1.1 论文背景 |
| 1.2 论文内容 |
| 第二章 背景知识介绍 |
| 2.1 基于PHPEMS的在线考试平台 |
| 2.1.1 PHPEMS开源系统简介 |
| 2.1.2 基于PHPEMS搭建在线考试平台 |
| 2.1.3 改进后的在线考试平台整体介绍 |
| 2.2 在线智能题库的特点介绍 |
| 2.2.1 数字化 |
| 2.2.2 智能化 |
| 2.3 智能组卷的发展 |
| 2.3.1 智能组卷算法的发展 |
| 2.3.2 大数据环境中智能组卷技术面临的问题 |
| 2.4 可视化组件 |
| 2.4.1 ECharts图表库 |
| 2.4.2 UEditor富文本编辑器 |
| 2.5 本章小节 |
| 第三章 在线考试的智能题库管理系统的需求分析 |
| 3.1 智能题库管理系统概述 |
| 3.1.1 系统环境及角色定义 |
| 3.1.2 系统功能概述 |
| 3.1.3 系统用例分析 |
| 3.2 智能题库管理系统核心功能需求 |
| 3.2.1 题库管理功能需求分析 |
| 3.2.2 试题管理功能需求分析 |
| 3.2.3 组题成卷功能需求分析 |
| 3.2.4 试卷管理功能需求分析 |
| 3.3 智能题库管理系统非功能需求 |
| 3.3.1 系统响应速度和并发量要求 |
| 3.3.2 显示方式直观、美观要求 |
| 3.4 本章小节 |
| 第四章 一种解决语义相似性问题的智能组卷算法 |
| 4.1 研究目标 |
| 4.2 理论基础 |
| 4.2.1 项目反应理论 |
| 4.2.2 智能组卷的约束条件 |
| 4.2.3 传统的基于遗传粒子群的智能组卷算法 |
| 4.3 模型与算法 |
| 4.3.1 算法的总体思路 |
| 4.3.2 数学建模 |
| 4.3.3 试卷的密度熵度量算法 |
| 4.3.4 试卷的语义相似度度量算法 |
| 4.4 实现与验证 |
| 4.4.1 算法的实现 |
| 4.4.2 算法的验证 |
| 4.5 本章小结 |
| 第五章 在线考试的智能题库管理系统的总体设计 |
| 5.1 系统环境 |
| 5.2 系统静态结构设计 |
| 5.3 系统动态结构设计 |
| 5.3.1 试题录入流程 |
| 5.3.2 组题成卷流程 |
| 5.3.3 智能组卷流程 |
| 5.4 系统数据结构设计 |
| 5.4.1 系统数据分析 |
| 5.4.2 数据结构设计 |
| 5.4.3 智能组卷的数据存储设计 |
| 5.5 关键问题研究及解决方案 |
| 5.5.1 选用模糊匹配方案解决试题重复检测问题 |
| 5.5.2 基于分层处理法的快速自动组卷设计 |
| 5.5.3 解决试卷语义相似性问题的智能组卷算法 |
| 5.5.4 采用独立部署的方案解决智能组卷的性能高耗问题 |
| 5.6 本章小节 |
| 第六章 在线考试的智能题库管理系统详细设计与实现 |
| 6.1 系统的开发环境与框架结构 |
| 6.1.1 开发语言与开发环境 |
| 6.1.2 系统的框架结构 |
| 6.2 试题管理子系统的详细设计与实现 |
| 6.2.1 管理试题模块的详细设计与实现 |
| 6.2.2 录入试题模块的详细设计与实现 |
| 6.3 组题成卷子系统的详细设计与实现 |
| 6.3.1 辅助人工组卷模块的详细设计与实现 |
| 6.3.2 智能自动组卷模块的详细设计与实现 |
| 6.4 试卷管理子系统的详细设计与实现 |
| 6.4.1 管理试卷模块的详细设计与实现 |
| 6.4.2 使用试卷模块的详细设计与实现 |
| 6.5 基础信息管理子系统的详细设计与实现 |
| 6.5.1 权限管理模块的详细设计与实现 |
| 6.5.2 题库管理模块的详细设计与实现 |
| 6.5.3 题库告警模块的详细设计与实现 |
| 6.5.4 考情管理模块的详细设计与实现 |
| 6.6 本章小节 |
| 第七章 在线考试的智能题库管理系统测试 |
| 7.1 测试环境与配置 |
| 7.2 功能测试 |
| 7.2.1 单元测试 |
| 7.2.2 集成测试 |
| 7.3 系统测试 |
| 7.3.1 智能组卷的计算能力 |
| 7.3.2 系统的性能测试 |
| 7.4 本章小节 |
| 第八章 总结及展望 |
| 8.1 工作总结 |
| 8.2 系统展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表的学术论文目录 |
（7）基于MOOC视频字幕和学习数据的自动评测模型和算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号对照表 |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 主要工作 |
| 1.3 论文组织 |
| 第2章 相关工作 |
| 2.1 MOOCs介绍 |
| 2.1.1 MOOCs相关研究概述 |
| 2.1.2 MOOCs评测方法概述 |
| 2.1.3 小结 |
| 2.2 自动出题相关方法介绍 |
| 2.2.1 基于文本的自动出题算法 |
| 2.2.2 基于知识图谱的自动出题算法 |
| 2.2.3 小结 |
| 2.3 自动组卷相关方法介绍 |
| 2.3.1 随机选取法 |
| 2.3.2 回溯递归法 |
| 2.3.3 遗传算法 |
| 2.3.4 小结 |
| 2.4 WIKIDATA相关工作介绍 |
| 2.4.1 WIKIDATA数据结构 |
| 2.4.2 WIKIDATA数据获取方式 |
| 2.4.3 WIKIDATA实体相似度 |
| 2.4.4 小结 |
| 第3章 基于MOOCs视频字幕的自动出题模型 |
| 3.1 引言 |
| 3.2 基于WIKIDATA的 MOOCs视频字幕知识图谱构建 |
| 3.3 基于课程知识图谱的自动出题算法 |
| 3.3.1 错误选项构造 |
| 3.3.2 题干生成 |
| 3.3.3 题目重要度排序 |
| 3.4 实验 |
| 3.4.1 数据集 |
| 3.4.2 评测标准 |
| 3.4.3 基于公开数据集的自动出题对比实验 |
| 3.4.4 基于MOOCs视频字幕的自动出题实验 |
| 3.5 小结 |
| 第4章 基于MOOCs学习数据的自动组卷模型 |
| 4.1 引言 |
| 4.2 基于群体划分的MOOCs学习效果预测模型 |
| 4.2.1 特征选择 |
| 4.2.2 预测模型 |
| 4.2.3 基于群体划分和数据过滤的学习效果预测改进 |
| 4.3 基于遗传算法的自动组卷模型 |
| 4.3.1 约束目标 |
| 4.3.2 遗传算法设计 |
| 4.4 实验 |
| 4.4.1 数据集 |
| 4.4.2 学习效果预测实验 |
| 4.4.3 自动组卷实验 |
| 4.4.4 基于MOOCs学生平时数据的预测组卷综合实验 |
| 4.5 小结 |
| 第5章 总结与展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文与研究成果 |
（8）基于LCS+LD混合算法的在线考试系统的设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.3 研究内容 |
| 第2章 在线考试系统分析 |
| 2.1 系统需求概述 |
| 2.2 在线考试数据流分析 |
| 2.3 系统用例分析 |
| 2.3.1 学生用例分析 |
| 2.3.2 教师用例分析 |
| 2.3.3 管理员用例分析 |
| 2.4 非功能性需求分析 |
| 2.4.1 系统性能需求 |
| 2.4.2 防止试题重复录入需求 |
| 2.4.3 防作弊需求 |
| 2.5 本章小结 |
| 第3章 在线考试系统概要设计 |
| 3.1 系统总体结构设计 |
| 3.2 系统功能结构设计 |
| 3.3 系统UML模型设计 |
| 3.3.1 活动图设计 |
| 3.3.2 序列图设计 |
| 3.3.3 类图设计 |
| 3.4 系统数据库设计 |
| 3.4.1 系统E-R图 |
| 3.4.2 数据表设计 |
| 3.5 本章小结 |
| 第4章 在线考试系统详细设计 |
| 4.1 试题录入功能设计 |
| 4.1.1 相似度计算技术简介 |
| 4.1.2 编辑距离算法 |
| 4.1.3 公共子序列算法 |
| 4.1.4 LCS+LD混合算法 |
| 4.1.5 LCS+LD相似度函数 |
| 4.2 实验数据对比分析 |
| 4.3 自动组卷功能设计 |
| 4.3.1 组卷数学模型设计 |
| 4.3.2 染色体编码方案设计 |
| 4.3.3 生成初始种群设置 |
| 4.3.4 适应度函数设计 |
| 4.3.5 选择算子实现 |
| 4.3.6 交叉算子实现 |
| 4.3.7 变异算子实现 |
| 4.3.8 迭代终止条件设置 |
| 4.3.9 遗传算法实验数据分析 |
| 4.4 在线考试管理功能设计 |
| 4.5 主观题辅助判题研究 |
| 4.5.1 词语语义相似度计算 |
| 4.5.2 句子语义相似度计算 |
| 4.6 本章小结 |
| 第5章 在线考试系统的实现 |
| 5.1 系统登录模块页面 |
| 5.2 题库管理功能的实现 |
| 5.3 组卷功能的实现 |
| 5.4 在线考试功能的实现 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 不足与展望 |
| 参考文献 |
| 附录 LCS+LD混合算法关键代码 |
（9）高效组卷算法与个性化试题推荐研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 组卷算法 |
| 1.2.2 推荐策略 |
| 1.3 研究内容 |
| 1.4 论文结构 |
| 第2章 计算机组卷算法 |
| 2.1 组卷算法概述 |
| 2.2 智能组卷的理论基础 |
| 2.2.1 测量理论 |
| 2.2.2 组卷任务描述 |
| 2.2.3 现有组卷模型概述 |
| 2.2.4 现有组卷算法概述 |
| 2.3 高效多背包容器组卷算法 |
| 2.4 本章小结 |
| 第3章 计算机推荐策略 |
| 3.1 推荐策略概述 |
| 3.2 推荐策略理论基础 |
| 3.2.1 推荐任务描述 |
| 3.2.2 现有推荐策略概述 |
| 3.2.3 现有推荐策略 |
| 3.2.4 基于协同过滤推荐策略的研究 |
| 3.3 基于组卷算法的个性化试题推荐模型 |
| 3.3.1 模型建立的基本原则 |
| 3.3.2 模型的约束条件 |
| 3.3.3 模型的基本框架与构建 |
| 3.3.4 模型的评价指标 |
| 3.4 基于组卷算法的推荐策略求解 |
| 3.5 本章小结 |
| 第4章 加噪机制研究与求解 |
| 4.1 趋势集中现象与加噪机制概述 |
| 4.2 差分机制与拉普拉斯噪声算法 |
| 4.3 加噪机制的理论基础 |
| 4.3.1 基于拉普拉斯机制加噪策略 |
| 4.3.2 数据预处理机制 |
| 4.4 基于组卷算法及试题推荐策略的加噪机制求解 |
| 4.5 本章小结 |
| 第5章 模型和算法的仿真实验 |
| 5.1 组卷算法在模型中的应用 |
| 5.2 仿真实验内容 |
| 5.2.1 仿真实验的硬件及软件环境 |
| 5.2.2 高效多背包组卷算法的仿真验证 |
| 5.2.3 个性化试题推荐策略仿真验证 |
| 5.3 仿真结果分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（10）基于遗传算法的自动组卷及经典测量理论评价（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文内容与结构 |
| 2 自动组卷理论 |
| 2.1 教育测量理论 |
| 2.1.1 经典测量理论 |
| 2.1.2 项目反应理论 |
| 2.1.3 概括化理论 |
| 2.1.4 教育测量理论选取 |
| 2.2 自动组卷问题分析 |
| 2.2.1 自动组卷问题 |
| 2.2.2 自动组卷基本原则 |
| 2.2.3 自动组卷中试题主要属性 |
| 2.3 自动组卷数学模型的构建 |
| 2.4 本章小结 |
| 3 基于遗传算法的自动组卷算法设计 |
| 3.1 自动组卷算法选取 |
| 3.2 遗传算法在自动组卷中的应用 |
| 3.2.1 遗传算法的思想与基本操作 |
| 3.2.2 遗传算法在自动组卷中的一般原理 |
| 3.2.3 基于遗传算法的自动组卷流程 |
| 3.3 自动组卷算法设计 |
| 3.4 本章小结 |
| 4 基于遗传算法的自动组卷算法应用 |
| 4.1 《计算机基础》课程特点分析 |
| 4.2 试题库属性分析 |
| 4.3 自动组卷算法的应用 |
| 4.4 本章小结 |
| 5 基于经典测量理论的试卷质量评价 |
| 5.1 评价指标选取 |
| 5.2 评价指标应用 |
| 5.3 评价效果分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 参考文献 |
| 附录A：作者攻读硕士学位期间发表论文及科研情况 |
| 附录B：组卷实例 |
| 致谢 |
四、试题库人工任意组卷方式的研究（论文参考文献）
- [1]卫生统计学智能组卷系统设计与实现[D]. 魏路通. 北京协和医学院, 2021
- [2]在线测评系统的研发实践与试题库核心要素分析[J]. 赵向东,赵湘慧,曾凡林,韩光磊. 中国编辑, 2020(07)
- [3]中小学英语数字题库模型构建研究[D]. 李梅. 青岛科技大学, 2020(01)
- [4]基于JavaWeb的精品资源共享课程系统的设计与实现[D]. 廖鋆. 长江大学, 2020(02)
- [5]基于人工鱼群算法的智能组卷系统设计与实现[D]. 黄唯. 广西大学, 2019(02)
- [6]在线考试的智能题库管理系统的设计与实现[D]. 杨伟海. 北京邮电大学, 2019(08)
- [7]基于MOOC视频字幕和学习数据的自动评测模型和算法研究[D]. 马琳. 清华大学, 2019(02)
- [8]基于LCS+LD混合算法的在线考试系统的设计与实现[D]. 苏荣聪. 华侨大学, 2018(01)
- [9]高效组卷算法与个性化试题推荐研究[D]. 冯俊翔. 重庆邮电大学, 2018(01)
- [10]基于遗传算法的自动组卷及经典测量理论评价[D]. 税靖. 重庆师范大学, 2018(01)