Parallel strategies for heuristic optimization algorithms: Extracting multi-choice tests

Thi Phuong Tram Nguyen

Doctoral thesis

Abstract:

Hlavním cílem této práce je studovat paralelní strategie a heuristické optimalizační algoritmy pro řešení optimálních extrakčních více výběrových testů ze souboru otázek s objektivní obtížností. Analyzujeme a hodnotíme metody účinnosti extrakcí testů na základě analýzy experimentálních výsledků. U takového úkolu pokryjeme tři aspekty extrakce více výběrových testů, které jsou popsány následovně: Nejprve studujeme heuristické optimalizační algoritmy k extrakci více výběrových testů tak, aby splňoval požadavky na úroveň obtížnosti (problém s optimalizací jednoho cíle). Za druhé se zaměříme na zkoumání paralelních strategií pro heuristické optimalizační algoritmy k extrakci více výběrových testů ke splnění předdefinovaných úrovní požadavků na obtížnost. (problém s optimalizací více rojů). Nakonec jsme řešili paralelní strategiích pro kombinované heuristické optimalizační algoritmy k extrakci více výběrových testů na základě předdefinovaných úrovní náročnosti i požadovaného času k jeho splnění (problém optimalizace s více cíli). Hlavním výsledkem diplomové práce bylo ověření správné metody pro extrakci více výběrových testů na základě předdefinovaných požadavků uživatele. Testy mají stejnou úroveň obtížnosti, aby byla zajištěna spravedlnost pro všechny studenty, kteří plní stejnou zkoušku. Tato studie se věnuje hodnocení studijního pokroku studentů v oblasti vzdělávání, který lze získat z testů a závěrečných zkoušek.

Abstract:

The main goal of this thesis is to study parallel strategies and heuristic optimization algorithms to solve optimal extracting multi-choice tests from question banks with objective difficulty. We analyze and evaluate efficiency methods for problems of extracting tests by experimental results analysis. For such a task, we cover three aspects of extracting multi-choice tests, which are described as follows: First, we study heuristic optimization algorithms to extract multi-choice test to satisfy levels of difficulty requirement (single-objective optimization problem). Second, we focus on investigating parallel strategies for heuristic optimization algorithms to extract multi-choice k tests to satisfy predefined levels of difficulty requirement by users. (multi-swarm optimization problem). Finally, we consider parallel strategies for combination heuristic optimization algorithms to extract multi-choice k tests to satisfy predefined both levels of difficulty requirement and required time test by users (multi-objective optimization problem). The main result of the thesis generated proper methods for extracting multi-choice k tests based on multiple redefined requirements by the users, and the tests have the same difficulty level to ensure fairness for all students when they join the same exam. The studies support well the evaluation of students’ study progress in the education sector. Which are suitable for application in both regular tests and final exams, etc.

Keywords

Multivýběrové testy, optimalizace více rojů, optimalizace více cílů, paralelismus, jeden cíl, algoritmus optimalizace roje částic (PSO), genetické algoritmy (GA), hybridní PSO se simulovaným žíháním, hybridní GA se simulovaným žíháním, optimální více- objektivní, optimální jeden cíl

Keywords

multiple-choice tests, multi-swarm optimization, multi-objective optimization, parallelism, single-objective, Particle Swarm Optimization algorithm (PSO), Genetic algorithms (GA), Hybrid PSO with Simulated Annealing, Hybrid GA with Simulated Annealing, optimal multi-objective, optimal single-objective

Language used: English

Date on which the thesis was submitted / produced: 24. 5. 2021

Thesis defence

• Date of defence: 7. 9. 2021
• Supervisor: Václav Snášel
• Reader: Roman Šenkeřík, Alexandr Štefek, Pavel Krömer

VSB – Technical University of Ostrava

Fakulta elektrotechniky a informatiky

Doctoral programme / field:
Informatika, komunikační technologie a aplikovaná matematika / Informatika