强化学习引导的多目标试卷生成
机器学习
2023-03-03 v1 计算机与社会
摘要
为减轻教师的重复性与复杂性工作，试卷生成（EPG）技术已成为智能教育领域的突出课题，其旨在根据教师指定的评估标准自动生成高质量试卷。现有进展利用启发式算法的能力来优化若干知名的目标约束（如难度系数、题目数量等）以产生最优解。然而，在实际场景中，考虑其他同等相关的目标（例如分数分布、技能覆盖）极为重要。此外，如何开发一种自动多目标解法，从大规模题目数据集的巨大搜索空间中找到最优题目子集从而组成高质量试卷，迫切而并非易事。为此，我们巧妙设计了一个强化学习引导的多目标试卷生成框架，称为 MOEPG，以同时优化三个考试领域特定目标，包括难度系数、分数分布和技能覆盖。具体而言，为准确衡量考生群体的技能熟练度，我们首先采用深度知识追踪来建模考生与作答日志之间的交互信息。随后我们设计了灵活的 Exam Q-Network（一种函数逼近器），其自动选择合适的题目以更新试卷组成过程。之后，MOEPG 将决策空间划分为多个子空间，以更好地引导试卷的更新方向。通过在两个真实世界数据集上的大量实验，我们证明了 MOEPG 在解决试卷生成场景的多重困境方面是可行的。
引用
@article{arxiv.2303.01042,
title = {Reinforcement Learning Guided Multi-Objective Exam Paper Generation},
author = {Yuhu Shang and Xuexiong Luo and Lihong Wang and Hao Peng and Xiankun Zhang and Yimeng Ren and Kun Liang},
journal= {arXiv preprint arXiv:2303.01042},
year = {2023}
}