多元協同過濾推薦算法在醫科類執業資格考試中的應用

李連煥

（南陽醫學高等專科學校國際教育學院 河南省南陽市 473061）

醫學類執業資格考試涵蓋了醫學專業臨床、口腔、中醫、護理、檢驗、影像、中藥、藥學等所有人員從業必須具備的執業資格考試[1]。其中臨床執業助理醫師資格考試的性質是行業準入考試，學生畢業后能否順利通過醫師資格考試直接關系到學生的就業執業資格。據國家醫學考試中心分析數據顯示，近幾年來，人機對話模式下高職高專學生醫學類執業考試通過率較低的現象普遍存在，河南省醫學類執業考試通過率也低于全國總通過率。市場上為提高人機對話考試模式下高職高專學生考試資格通過率開發的系統大部分功能模塊有限，提供的執業資格學習資源零散、不系統、不規范，不能提供個性化服務，學生使用效果欠佳。如何在執業助理醫師交互考試系統中為教師和學生提供個性化服務，提高學生知識和技能水平，以此提高助理執業醫師資格考試通過率，包括醫科類執業資格考試涉及的口腔、中醫、護理、檢驗、影像、中藥、藥學等其他專業執業資格考試通過率，從而提高職業醫學院學生就業率，是目前醫學院校亟待的問題。

目前有很多在線學習平臺的個性化推薦功能的研究都是對推薦系統進行總體設計或對平臺的資源推薦策略、學習路徑進行研究[2-4]。基于用戶的協同過濾推薦算法在實際應用中大多只關注用戶在使用時共同存在的薄弱知識點對相似性的影響，用戶共同薄弱知識點占的比例越高，算法推薦的題目與用戶就越相似。因未考慮學生個人學習基礎情況等因素，導致推薦效果不理想[5]。

針對以上關于傳統協同過濾推薦推薦研究的不足，本文提出了一個多元協同過濾推薦算法設計，應用在教學團隊前期研究開發的“醫學類執業資格交互考試系統”，該算法綜合考慮執業資格知識點的權重、難易程度、錯誤率等多個要素，將這些元素作為權重因子對傳統基于用戶的協同過濾推薦算法進行改進，解決了基于用戶的協同過濾推薦算法僅僅根據錯題情況、歷史成績推薦準確率不高的問題，從而提高推薦的準確性和針對性。

1 基于用戶的協同過濾推薦算法

基于用戶的協同過濾推薦算法的基本思想就是根據目標用戶歷史操作信息記錄，挖掘與目標用戶興趣相似度高的近鄰用戶集合，然后根據鄰居用戶薄弱知識點的情況來預測目標用戶的薄弱知識點，把該知識點相關試題推薦給目標用戶[6]。

研究發現基于用戶的協同過濾推薦算法在對學生學習中存在的薄弱知識點的推薦時只考慮對相似性的影響因素，而不考慮學生的個體差異。事實上，盡管用戶薄弱知識點相似，但因學生學習基礎不同，基于用戶的算法會對基礎薄弱的學生推薦大量難題，導致學生很難由淺入深學習；又因試題在執業資格考試中的權重不同，基于用戶的算法會推薦執考中占分很低的薄弱知識點試題，而占分高的薄弱知識點試題推薦很少，導致學生學習重點不明確；基于用戶的算法因沒有考慮用戶錯誤率因素，會大量推薦一些偶然性答錯的題目，導致推薦效果不理想[7-9]。

2 醫學類執業資格考試系統

職業院校應為了全面做好學歷證書與執業資格對接,提高人機對話考試模式下高職高專學生考試資格通過率，采用了一些市場上開發的系統，但大部分系統功能模塊有限，提供的執業資格學習資源零散、不系統、不規范，不能提供個性化服務，學生使用效果欠佳。教師和學生急需內容涵蓋醫科類執業資格考試涉及的臨床、口腔、中醫、護理、檢驗、影像、中藥、藥學等專業的執業資格交互考試系統。

為解決這一問題，我們教學團隊在教育教學實踐中歷經探索，研究并開發了“醫學類執業資格交互考試系統”，系統完全按照執業資格人機對話考試形式進行設計，題庫巨大，能夠進行模擬考試、知識點練習等。該系統在我校2016-2018 屆臨床專業畢業生中使用，三年醫學綜合考試通過率分別為：45.07%、49.16%、51.05%，學生考試通過率有穩步提升現象。但個性化推薦效果仍不能達到使用需求。

3 多元協同過濾推薦算法設計

多元協同過濾推薦算法的設計是在基于用戶的協同過濾推薦算法的基礎上進行改進，根據學生前期使用記錄構建學生知識點掌握概率模型，然后綜合考慮執業資格知識點的權重、知識點難易程度、錯誤率多個因素，并將這多個因素作為權重因子對基于用戶的協同過濾推薦算法進行改進，具體做法如下：

3.1 構建學生知識點掌握概率模型

在執業資格交互考試系統的個性化推薦設計中，構建學生知識點掌握概率模型是核心，學生知識點掌握概率表示了學生在執業資格考試中對執考知識點的掌握情況。目前De La Torre[10]提出的認知診斷模型（DINA 模型）是在獲取學生知識點掌握程度中使用最多的。 但DINA 模型得到的知識點掌握情況只有掌握或未掌握兩種，容易造成數據丟失，導致知識點推薦不太準確[11-12]。本文研究針對 DINA 模型存在的缺陷，提出構建學生知識點掌握概率模型得到學生知識點的掌握情況。

3.2 通過引入執考知識點權重因素提高重點內容推薦率

在人機對話考試中執業資格考試知識點是有規律的，我們用知識點的執考權重來表示。執考權重代表知識點在考試中的重要度，某個知識點的權重值與知識點的重要程度成正比，知識點的權重值高的也是最應該推薦給學生的。在執考權重的設計上安排了執考知識點的歷史考核權重和測試考核權重兩個方面。

第一步分析學生每次人機對話測試題Tv，通過Tv來考核對知識點Kn的掌握程度，得到知識點權重w'n，如式（1）所示。

根據公式（1）分析多年執考知識點考核情況，計算出在執考中知識點 n 的歷史權重 his-w'n，通過分析多次人機對話測試題知識點考核情況，計算出相應知識點的測試權重 test-w'n。

第二步分析學生的知識點的歷史考核權重，每一年的執業資格考試大綱雖然都有調整，但都會參考往年的考試真題。要重點分析歷年考試真題權重，通過分析5年執業資格考試真題得到影響因子，如果多次測試真題權重都為0，表示該知識點發生了調整，歷史考核權重值越高表示這個知識點在歷年的考試中都重復出現，就表明這個知識點越重要：

3.3 結合知識點難易度因素實現個性化推薦

知識點難易度是分析學生的學習情況的重要因素，如果學生在知識點容易的試題中做錯，說明學生基礎較差，知識點容易的題目更值得推薦，學生在反復練習易題中掌握基礎。為學生搭建由淺入深的學習方式，以此種模式提高薄弱知識點的掌握程度。知識點難易度的取值為[0,1]。知識點越容易，說明該知識點越基礎。通過分析歷年執考真題獲得影響因子a，計算知識點難易度In。詳見公式（3）。

3.4 融合錯誤率因素增加錯題復現率

錯誤率指分類錯誤的樣本數占樣本總數的比例，表示學生在執業資格系統測試中多次練習某個考試知識點錯誤次數和這個知識點考核次數的比。在執業資格交互考試系統中，某一個執業考試知識點沒有得到標準分就認定為錯誤。某個執考知識點錯誤的次數越多，表明這個知識點是考生薄弱點，是需要著重強化的點，也是值得多次練習推薦的知識點。錯誤率的計算如公式（4）、公式（5）所示。

4 數據采集和評價

實驗采用醫學高職院校三年畢業生醫師資格考試醫學綜合考試為實驗數據，使用大數據平臺對采集到的原始數據進行數據預處理，清洗整理，得到比較全面的用戶學習數據。

5 實驗分析

制訂詳細的算法研究實施方案，將用戶學習數據導入多元協同過濾推薦算法中進行計算得到結果，并將推薦的結果導入數據庫，開發一個推薦引擎，對外開放接口并輸出推薦結果。

6 結束語

本文通過分析影響職業醫學院校學生人機對話考試模式下考試資格通過率低的主要原因，采用教學團隊前期自行開發設計的醫學類執業資格交互考試系統，在基于用戶的協同過濾推薦算法的基礎上加入相應改進措施，運用多元協同過濾推薦算法進行研究，并根據學生使用數據結果進行分析，取得比較全面的信息推薦數據。該算法研究進一步運用個性化協同過濾推薦技術，開展多元協同過濾研究，把多元協同過濾推薦算法應用在執業職格考試系統中，可以有效找到學生個人的薄弱知識點，使學生根據推薦結果精準把握執業資格考試未掌握的相關知識點，及時調整學習側重點，增強學習的針對性。還可以根據學生使用過程中存在的共性薄弱知識點問題進行反饋，引導教師根據分析結果掌握學生普遍存在的課程薄弱知識點，及時調整教學內容和教學方法，在授課中開展有針對性強化講解，將教學內容與執業資格考試大綱緊密相結合。通過“教師找共性問題，學生找個性問題”達到教、學雙向提高的目的。實驗結果表明，多元協同過濾推薦算法可以有效提高學生助理執業醫師資格考試成績，提高臨床專業學生執業資格考試通過率。