JavaScript实现测验系统带错题偏向的随机抽题概率偏置算法
可落地的指数级非随机抽题算法方案
核心匹配逻辑
手动拆分权重无法归一、实现不了指数调整的核心问题,本质是没有选对和需求完全适配的权重映射函数。这里采用负指数权重映射的实现方案,可以100%覆盖所有设计要求:
- 单题原始权重计算公式:
w_i = Math.exp(-k * s_i),其中s_i为每道题维护的numOfCorrect计数值,k为自定义灵敏度系数,可根据实际需求调整概率变化幅度。
对应设计要求的校验
- 当所有题目
numOfCorrect值为0时,每道题的权重计算结果都是exp(0)=1,所有题权重完全相等,抽中概率天然均等,满足全量等概率的要求。 - 权重计算采用的指数函数值域为(0, +∞):
numOfCorrect值越低(用户答错越多),对应的权重越高;哪怕题目numOfCorrect累计到很高的正数,计算出的权重也永远不会为0,自然保留非零抽中概率,完全不需要采用排序缩范围的偏向性实现,满足非零概率的要求。 - 概率变化为严格指数级:
numOfCorrect每增减1,权重就会按照固定倍数(e^k)升降,比如k取0.4时,每差1个计数值,权重差约1.49倍;k取0.6时,权重差约1.82倍,完全符合指数级调整的最优效果要求。
概率归一的实现方法
之前手动拆分权重无法让概率总和为1的核心原因,是直接把权重当成了最终抽中概率。其实只需要增加一步标准化计算,就能从数学上保证概率和严格为1:
- 遍历所有题目,计算每道题的原始权重,累加得到所有题的总权重值
totalW - 每道题的最终抽中概率为
p_i = w_i / totalW,所有题的概率累加结果必然等于1,完全不需要手动凑数调整。
可直接落地的JS实现
完全适配提供的题目数据结构,代码可直接运行:
// 灵敏度系数,数值越大,numOfCorrect对抽题概率的影响越强 // 推荐取值范围0.2~0.6,可根据测验场景实际调整 const SENSITIVITY = 0.4; function getRandomQuestion(questionBank) { // 计算每道题的原始权重 const weightedItems = questionBank.map(item => ({ data: item, weight: Math.exp(-SENSITIVITY * item.numOfCorrect) })); // 计算权重总和 const totalWeight = weightedItems.reduce((sum, cur) => sum + cur.weight, 0); // 生成随机落点,按权重区间匹配抽题 let randomPointer = Math.random() * totalWeight; for (const item of weightedItems) { randomPointer -= item.weight; if (randomPointer <= 0) return item.data; } // 浮点数精度兜底,不会出现无返回的异常 return weightedItems.at(-1).data; }
实际使用调整提示
- 想强化错题的抽题优先级,就调高SENSITIVITY值;想让概率变化更平缓,就调低该值。
- 该方案不存在“某道题永远抽不到”的情况,哪怕题目长期被答对,也会保留极低的非零抽中率,符合设计要求。
- 全程不需要手动拆分各计数值对应的概率,所有计算逻辑都是公式化的,不会出现概率和不为1的问题。
内容的提问来源于stack exchange,提问作者jake_prentice
相关产品推荐
相关产品推荐

