题目难度预估模型IRT 理论与深度学习的结合实践一、个性化深度引言在自适应学习系统中给学生的下一道题出什么——这是最关键也最难做的决策。出得太简单学习效率低出得太难学生挫败放弃。理想的题目应该处于学生的最近发展区——让孩子跳一跳能够到。而要做对这个决策首先需要准确预估每道题的难度。这听上去简单但实现起来远比预期复杂。一道题11?的难度是一年级水平求积分∫x²dx是大学水平——这个直观判断没问题。但问题在于相同知识点的不同描述方式难度差异可以达到2-3个年级水平。见证奇迹的时刻在于当你把经典心理测量学的 IRT 理论与深度学习的文本理解能力结合时系统能够比人类专家更准确地预估题目的相对难度。二、个性化原理剖析IRTItem Response Theory是心理测量学的经典理论框架。它假设学生的能力 θ 和题目的难度 b、区分度 a、猜测参数 c 之间存在概率关系P(correct|θ) c (1-c) / (1 exp(-a(θ-b)))这条曲线的含义是b难度越大题目越难。b 实质上就是答对概率为 0.5 所需的能力值。a区分度越大题目在学生能力区分上的效果越好。a 越大曲线越陡峭能力稍高一点的学生答对概率大幅提升。c猜测参数即使在能力极低θ→-∞时也有 c 的答对概率。选择题的猜测参数通常接近 1/kk 为选项数。IRT 的优点是理论成熟、可解释性强。但它的局限也很明显需要大量答题数据来估计参数。新题目没有答题数据就无法用传统 IRT 估计难度。深度学习方案恰恰弥补了这个缺陷。通过分析题目的文本内容、考查的知识点、选项的迷惑度、计算的步骤数等特征可以在题目发布的第一天就预估出难度——不需要等待学生答题数据。融合架构深度学习负责冷启动阶段的难度预估IRT 负责热数据阶段的难度校准。两者形成互补。三、个性化代码实践IRT 深度学习的混合难度预估系统import numpy as np import torch import torch.nn as nn from scipy.special import expit class IRTModel: 经典IRT三参数模型 设计原因IRT提供理论一致性和可解释性 但需要大量答题数据。这里用作热数据校准。 公式: P(correct) c (1-c) / (1 exp(-a*(θ-b))) def __init__(self): self.item_params {} # item_id - {a, b, c} def probability_correct(self, ability, difficulty, discrimination1.0, guessing0.0) - float: 计算给定能力的学生答对概率 exponent -discrimination * (ability - difficulty) return guessing (1 - guessing) / (1 np.exp(exponent)) def estimate_params(self, response_matrix: np.ndarray, max_iter: int 100) - Dict: 从答题矩阵估计IRT参数 response_matrix: [n_students, n_items] 设计原因使用期望最大化(EM)迭代估计。 这是IRT最经典的做法不需要深度学习。 n_students, n_items response_matrix.shape # 初始化参数 difficulties np.random.randn(n_items) * 0.5 discriminations np.ones(n_items) guessings np.full(n_items, 0.25) # 4选1 abilities np.random.randn(n_students) * 0.5 # EM迭代 for iteration in range(max_iter): # E步估计当前参数下每个学生能力的后验分布 new_abilities self._estimate_abilities( response_matrix, difficulties, discriminations, guessings ) # M步根据能力分布更新题目参数 for item_idx in range(n_items): item_responses response_matrix[:, item_idx] valid ~np.isnan(item_responses) if valid.sum() 5: # 答题数太少 continue difficulties[item_idx] self._fit_difficulty( new_abilities[valid], item_responses[valid] ) abilities new_abilities # 检查收敛 if iteration 10: old_params abilities.copy() if np.max(np.abs(abilities - old_params)) 1e-4: break return { abilities: abilities, difficulties: difficulties, discriminations: discriminations, guessings: guessings, } def _estimate_abilities(self, responses, diffs, discs, guesses): 使用MLE估计能力值 n_students responses.shape[0] abilities np.zeros(n_students) for i in range(n_students): valid ~np.isnan(responses[i]) if valid.sum() 0: abilities[i] 0.0 continue # 对数似然梯度上升 ability 0.0 for _ in range(20): probs self.probability_correct( ability, diffs[valid], discs[valid], guesses[valid] ) # 梯度: Σ a*(r-p) gradient np.sum( discs[valid] * (responses[i][valid] - probs) ) ability 0.1 * gradient abilities[i] ability return abilities def _fit_difficulty(self, abilities, responses): 拟合单题难度参数 if len(responses) 0: return 0.0 diff 0.0 for _ in range(30): probs expit(-1.0 * (abilities - diff)) gradient np.sum(responses - probs) diff 0.05 * gradient return diff class DL_DifficultyPredictor(nn.Module): 深度学习难度预估器 设计原因解决新题目没有答题数据的冷启动问题。 从题目文本和结构特征直接预测难度。 def __init__(self, bert_model, embedding_dim768, hidden_dim256): super().__init__() self.bert bert_model # 预训练BERT模型 # 题目结构特征的MLP # 设计原因提问方式、步骤数等结构特征 # 用专门的MLP处理而非丢进BERT。 self.struct_encoder nn.Sequential( nn.Linear(10, 64), # 10维结构特征 nn.ReLU(), nn.Dropout(0.2), nn.Linear(64, 32) ) # 融合层 self.fusion nn.Sequential( nn.Linear(embedding_dim 32, hidden_dim), nn.ReLU(), nn.Dropout(0.3), nn.Linear(hidden_dim, 64), nn.ReLU(), nn.Linear(64, 1) # 输出难度值 ) def forward(self, input_ids, attention_mask, struct_features): # BERT文本特征 bert_output self.bert( input_idsinput_ids, attention_maskattention_mask ).pooler_output # [B, 768] # 结构特征 struct_encoded self.struct_encoder(struct_features) # [B, 32] # 特征融合 combined torch.cat([bert_output, struct_encoded], dim1) difficulty self.fusion(combined).squeeze(-1) # [B] return difficulty def predict_difficulty(self, question_text: str, struct_features: dict) - float: 预测单题难度 with torch.no_grad(): difficulty self.forward(question_text, struct_features) return difficulty.item() class HybridDifficultyEstimator: 混合难度预估系统 设计原因冷启动用深度学习热数据用IRT。 新题先用DL预估有足够的答题数据后切换到IRT。 过渡期使用加权平均。 def __init__(self, irt_model, dl_model): self.irt irt_model self.dl dl_model self.response_counts {} # 每道题的答题次数 def estimate(self, item_id: str, question_text: str, struct_features: dict) - float: 预估题目难度 n_responses self.response_counts.get(item_id, 0) if n_responses 30: # 冷启动纯DL预估 dl_difficulty self.dl.predict_difficulty( question_text, struct_features ) return dl_difficulty elif n_responses 200: # 过渡期DL和IRT加权平均 dl_difficulty self.dl.predict_difficulty( question_text, struct_features ) irt_difficulty self.irt.item_params[item_id][b] # 权重应答数越多IRT权重越大 irt_weight (n_responses - 30) / 170 dl_weight 1 - irt_weight return dl_weight * dl_difficulty irt_weight * irt_difficulty else: # 热数据纯IRT return self.irt.item_params[item_id][b]设计要点DL 做冷启动从题目文本和结构特征预估 difficulty覆盖无答题数据的新题IRT 做热校准有足够答题数据后切换到 IRT 参数估计加权过渡在 30-200 次应答之间使用加权平均平滑过渡结构特征分离提问方式、步骤数等结构特征用单独的 MLP 处理而非文本混淆四、个性化边界权衡预估方法数据需求新题覆盖估计精度可解释性适用阶段人工标注无最慢中等高题库初始构建DL 文本预估训练数据即时中等(MAE≈0.3)低新题发布IRT 参数估计≥200 次应答无法覆盖高(MAE≈0.1)极高成熟题目Hybrid 混合少量应答即时中高中全生命周期见证奇迹的时刻在于 Hybrid 方案的过渡策略——从 DL 到 IRT 的平滑切换。图表上两条曲线在新题上线第二天开始交汇在第七天完成交接。这个过程中难度预估值的变化幅度通常不超过 0.2 个标准差。另一个重要 Trade-off题目结构的表征粒度。精细切片每道题分解为 20 个特征维度提高预测精度但标注成本高。粗糙特征10 维以内标注快但精度低。工程上通常取 10 维左右的折中——知识点复杂度、计算步骤数、阅读量、选项迷惑度等。核心局限DL 文本预估在新题型/新学科上泛化能力弱。用数学题训练出的 DL 难度预估模型在预估物理题难度时 MAE 可能翻倍。因此每引入一个新学科需要重新收集标注数据做微调。五、总结题目难度预估是自适应学习系统的基础组件。IRT 提供理论一致性和高可解释性但需要大量答题数据。深度学习从题目文本和结构特征预估难度解决新题的冷启动问题。二者的混合架构DL 冷启动 IRT 热校准覆盖了题目从发布到成熟的全生命周期。从 DL 到 IRT 的过渡期使用加权平均实现平滑切换30-200 次应答是典型的过渡区间。DL 预估在跨学科场景下泛化能力弱需按学科独立训练或微调。
题目难度预估模型IRT 理论与深度学习的结合实践一、个性化深度引言在自适应学习系统中给学生的下一道题出什么——这是最关键也最难做的决策。出得太简单学习效率低出得太难学生挫败放弃。理想的题目应该处于学生的最近发展区——让孩子跳一跳能够到。而要做对这个决策首先需要准确预估每道题的难度。这听上去简单但实现起来远比预期复杂。一道题11?的难度是一年级水平求积分∫x²dx是大学水平——这个直观判断没问题。但问题在于相同知识点的不同描述方式难度差异可以达到2-3个年级水平。见证奇迹的时刻在于当你把经典心理测量学的 IRT 理论与深度学习的文本理解能力结合时系统能够比人类专家更准确地预估题目的相对难度。二、个性化原理剖析IRTItem Response Theory是心理测量学的经典理论框架。它假设学生的能力 θ 和题目的难度 b、区分度 a、猜测参数 c 之间存在概率关系P(correct|θ) c (1-c) / (1 exp(-a(θ-b)))这条曲线的含义是b难度越大题目越难。b 实质上就是答对概率为 0.5 所需的能力值。a区分度越大题目在学生能力区分上的效果越好。a 越大曲线越陡峭能力稍高一点的学生答对概率大幅提升。c猜测参数即使在能力极低θ→-∞时也有 c 的答对概率。选择题的猜测参数通常接近 1/kk 为选项数。IRT 的优点是理论成熟、可解释性强。但它的局限也很明显需要大量答题数据来估计参数。新题目没有答题数据就无法用传统 IRT 估计难度。深度学习方案恰恰弥补了这个缺陷。通过分析题目的文本内容、考查的知识点、选项的迷惑度、计算的步骤数等特征可以在题目发布的第一天就预估出难度——不需要等待学生答题数据。融合架构深度学习负责冷启动阶段的难度预估IRT 负责热数据阶段的难度校准。两者形成互补。三、个性化代码实践IRT 深度学习的混合难度预估系统import numpy as np import torch import torch.nn as nn from scipy.special import expit class IRTModel: 经典IRT三参数模型 设计原因IRT提供理论一致性和可解释性 但需要大量答题数据。这里用作热数据校准。 公式: P(correct) c (1-c) / (1 exp(-a*(θ-b))) def __init__(self): self.item_params {} # item_id - {a, b, c} def probability_correct(self, ability, difficulty, discrimination1.0, guessing0.0) - float: 计算给定能力的学生答对概率 exponent -discrimination * (ability - difficulty) return guessing (1 - guessing) / (1 np.exp(exponent)) def estimate_params(self, response_matrix: np.ndarray, max_iter: int 100) - Dict: 从答题矩阵估计IRT参数 response_matrix: [n_students, n_items] 设计原因使用期望最大化(EM)迭代估计。 这是IRT最经典的做法不需要深度学习。 n_students, n_items response_matrix.shape # 初始化参数 difficulties np.random.randn(n_items) * 0.5 discriminations np.ones(n_items) guessings np.full(n_items, 0.25) # 4选1 abilities np.random.randn(n_students) * 0.5 # EM迭代 for iteration in range(max_iter): # E步估计当前参数下每个学生能力的后验分布 new_abilities self._estimate_abilities( response_matrix, difficulties, discriminations, guessings ) # M步根据能力分布更新题目参数 for item_idx in range(n_items): item_responses response_matrix[:, item_idx] valid ~np.isnan(item_responses) if valid.sum() 5: # 答题数太少 continue difficulties[item_idx] self._fit_difficulty( new_abilities[valid], item_responses[valid] ) abilities new_abilities # 检查收敛 if iteration 10: old_params abilities.copy() if np.max(np.abs(abilities - old_params)) 1e-4: break return { abilities: abilities, difficulties: difficulties, discriminations: discriminations, guessings: guessings, } def _estimate_abilities(self, responses, diffs, discs, guesses): 使用MLE估计能力值 n_students responses.shape[0] abilities np.zeros(n_students) for i in range(n_students): valid ~np.isnan(responses[i]) if valid.sum() 0: abilities[i] 0.0 continue # 对数似然梯度上升 ability 0.0 for _ in range(20): probs self.probability_correct( ability, diffs[valid], discs[valid], guesses[valid] ) # 梯度: Σ a*(r-p) gradient np.sum( discs[valid] * (responses[i][valid] - probs) ) ability 0.1 * gradient abilities[i] ability return abilities def _fit_difficulty(self, abilities, responses): 拟合单题难度参数 if len(responses) 0: return 0.0 diff 0.0 for _ in range(30): probs expit(-1.0 * (abilities - diff)) gradient np.sum(responses - probs) diff 0.05 * gradient return diff class DL_DifficultyPredictor(nn.Module): 深度学习难度预估器 设计原因解决新题目没有答题数据的冷启动问题。 从题目文本和结构特征直接预测难度。 def __init__(self, bert_model, embedding_dim768, hidden_dim256): super().__init__() self.bert bert_model # 预训练BERT模型 # 题目结构特征的MLP # 设计原因提问方式、步骤数等结构特征 # 用专门的MLP处理而非丢进BERT。 self.struct_encoder nn.Sequential( nn.Linear(10, 64), # 10维结构特征 nn.ReLU(), nn.Dropout(0.2), nn.Linear(64, 32) ) # 融合层 self.fusion nn.Sequential( nn.Linear(embedding_dim 32, hidden_dim), nn.ReLU(), nn.Dropout(0.3), nn.Linear(hidden_dim, 64), nn.ReLU(), nn.Linear(64, 1) # 输出难度值 ) def forward(self, input_ids, attention_mask, struct_features): # BERT文本特征 bert_output self.bert( input_idsinput_ids, attention_maskattention_mask ).pooler_output # [B, 768] # 结构特征 struct_encoded self.struct_encoder(struct_features) # [B, 32] # 特征融合 combined torch.cat([bert_output, struct_encoded], dim1) difficulty self.fusion(combined).squeeze(-1) # [B] return difficulty def predict_difficulty(self, question_text: str, struct_features: dict) - float: 预测单题难度 with torch.no_grad(): difficulty self.forward(question_text, struct_features) return difficulty.item() class HybridDifficultyEstimator: 混合难度预估系统 设计原因冷启动用深度学习热数据用IRT。 新题先用DL预估有足够的答题数据后切换到IRT。 过渡期使用加权平均。 def __init__(self, irt_model, dl_model): self.irt irt_model self.dl dl_model self.response_counts {} # 每道题的答题次数 def estimate(self, item_id: str, question_text: str, struct_features: dict) - float: 预估题目难度 n_responses self.response_counts.get(item_id, 0) if n_responses 30: # 冷启动纯DL预估 dl_difficulty self.dl.predict_difficulty( question_text, struct_features ) return dl_difficulty elif n_responses 200: # 过渡期DL和IRT加权平均 dl_difficulty self.dl.predict_difficulty( question_text, struct_features ) irt_difficulty self.irt.item_params[item_id][b] # 权重应答数越多IRT权重越大 irt_weight (n_responses - 30) / 170 dl_weight 1 - irt_weight return dl_weight * dl_difficulty irt_weight * irt_difficulty else: # 热数据纯IRT return self.irt.item_params[item_id][b]设计要点DL 做冷启动从题目文本和结构特征预估 difficulty覆盖无答题数据的新题IRT 做热校准有足够答题数据后切换到 IRT 参数估计加权过渡在 30-200 次应答之间使用加权平均平滑过渡结构特征分离提问方式、步骤数等结构特征用单独的 MLP 处理而非文本混淆四、个性化边界权衡预估方法数据需求新题覆盖估计精度可解释性适用阶段人工标注无最慢中等高题库初始构建DL 文本预估训练数据即时中等(MAE≈0.3)低新题发布IRT 参数估计≥200 次应答无法覆盖高(MAE≈0.1)极高成熟题目Hybrid 混合少量应答即时中高中全生命周期见证奇迹的时刻在于 Hybrid 方案的过渡策略——从 DL 到 IRT 的平滑切换。图表上两条曲线在新题上线第二天开始交汇在第七天完成交接。这个过程中难度预估值的变化幅度通常不超过 0.2 个标准差。另一个重要 Trade-off题目结构的表征粒度。精细切片每道题分解为 20 个特征维度提高预测精度但标注成本高。粗糙特征10 维以内标注快但精度低。工程上通常取 10 维左右的折中——知识点复杂度、计算步骤数、阅读量、选项迷惑度等。核心局限DL 文本预估在新题型/新学科上泛化能力弱。用数学题训练出的 DL 难度预估模型在预估物理题难度时 MAE 可能翻倍。因此每引入一个新学科需要重新收集标注数据做微调。五、总结题目难度预估是自适应学习系统的基础组件。IRT 提供理论一致性和高可解释性但需要大量答题数据。深度学习从题目文本和结构特征预估难度解决新题的冷启动问题。二者的混合架构DL 冷启动 IRT 热校准覆盖了题目从发布到成熟的全生命周期。从 DL 到 IRT 的过渡期使用加权平均实现平滑切换30-200 次应答是典型的过渡区间。DL 预估在跨学科场景下泛化能力弱需按学科独立训练或微调。
出版】第六届智能交通系统与智慧城市国际学术会议（ITSSC 2026）)
