Interpretable Difficulty-Aware Knowledge Tracing in Tutor-Student Dialogues
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
本文提出基于LLM的可解释难度感知对话知识追踪框架,通过建模学生能力与问题难度,提升对话场景下的个性化支持能力。
2026-10-30 cs.AI cs.CL
Controlling Cloze-test Question Item Difficulty with PLM-based Surrogate Models for IRT Assessment
Guangdong University of Foreign Studies(广东外语外贸大学)
针对多项选择完形填空难度生成问题,提出用 PLM 代理模型支持 IRT 评估,并通过排序规则控制空格与干扰项难度。
2024-03-03 cs.AI cs.CL cs.CY
Toward a unified framework for data-efficient evaluation of large language models
针对大语言模型评估成本高、现有IRT方法局限于二元指标和单一基准的问题,提出支持二元/连续指标、利用结构知识的LEGO-IRT框架,仅用3%评估题目即可实现稳定估计,误差降低最高10%,且与人类偏好更契合。
2025-10-05 cs.AI
MCQ Difficulty Prediction via Modeling Learner Heterogeneity Using Data-Driven Cognitive Profiling
Carnegie Mellon University(卡内基梅隆大学)
本文提出基于学习者异质性的数据驱动认知画像框架,通过隐类分析识别行为画像并模拟响应分布,结合主题上下文和岭回归模型预测IRT难度参数,提升难度预测精度。
2026-04-13 cs.AI cs.CY cs.LG
LLM-driven Effective Knowledge Tracing by Integrating Dual-channel Difficulty
针对知识追踪冷启动、个性化建模不清和决策不透明问题,提出DDKT框架,融合LLM与RAG评估难度,引入难度平衡感知、掌握比及知识更新机制,AUC提升2%-10%并增强可解释性。
2025-04-30 cs.AI
The Easy Trap: Why LLMs Underestimate Misconception-Driven Difficulty
Monash University(莫纳什大学)
该研究发现,用于教育评估难度估计的LLM会系统性低估由学习者误解驱动的数学题难度,提出“易陷阱”现象,其仅能捕捉难度大致排序,无法反映学生实际认知难度。
2026-07-30 cs.AI cs.CY
LLM Evaluation on Unseen Questions: Contextual Multidimensional IRT Model
Carnegie Mellon University(卡内基梅隆大学);University of Madison(麦迪逊大学)
本研究提出结合多维项目反应理论模型与问题上下文的LLM评估框架,可预测模型在未见问题上的表现,场景内评估效果优于无模型基线,但跨场景泛化仍为核心挑战。
2026-08-25 cs.AI cs.CL cs.LG
From Evaluated Models to Evaluation Aids: A Multi-Evidence Study of LLM-Based Difficulty Calibration for Programming Examinations
School of Computer Science, Peking University(北京大学计算机学院);Yuanpei College, Peking University(北京大学元培学院);School of Government, Beijing Normal University(北京师范大学政府管理学院)
该研究将大语言模型作为编程考试难度校准的辅助证据,结合多类数据验证其与考试难度的相关性,可用于题目验证等场景,但存在应用限制。
2026-08-11 cs.AI cs.CY cs.PL
Assessing the Quality of AI-Generated Exams: A Large-Scale Field Study
本研究提出一种基于LLM批评与修订的迭代优化策略生成考试题目,并通过涉及91个班级、近1700名学生的大规模实地研究,基于IRT分析证明AI生成题目质量与专家题目相当。
2025-08-09 cs.AI cs.CY
Revisiting Generalization Across Difficulty Levels: It's Not So Easy
Brown University(布朗大学);Harvard University(哈佛大学)
本文研究了LLMs在不同任务难度间泛化的能力,发现训练数据的难度对泛化效果影响有限,强调在训练和评估中需涵盖多种难度以避免风险。
2026-08-06 cs.AI cs.CL
ZPD-SCA: Unveiling the Blind Spots of LLMs in Assessing Students' Cognitive Abilities
School of Psychology, South China Normal University(南方科技大学心理学院);Information Hub, Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州)信息中心);School of AI, Guangzhou University(广州大学人工智能学院);College of Cyber Security, Jinan University(济南大学网络安全学院)
本文提出ZPD-SCA基准,由60名特级教师标注中文阅读理解难度,用于评估大语言模型判断阅读材料与学生认知能力匹配程度的能力,实验揭示LLMs在该任务上存在零样本表现差、方向性偏差和体裁差异大等问题,为改进认知对齐的教育应用提供基础。
2025-08-23 cs.AI cs.CL cs.CY
RankLLM: Weighted Ranking of LLMs by Quantifying Question Difficulty
Lehigh University(莱维大学);University of Notre Dame(诺特大学);Zhejiang Wanli University(浙江万里大学);Squirrel Ai Learning;City University of Hong Kong(香港城市大学);Duke University(杜克大学)
提出RankLLM框架,通过量化问题难度和模型能力实现细粒度评估,在35550个问题上对30个模型进行评测,与人类判断一致性达90%。
2026-06-09 cs.AI cs.CL
Can LLMs Reliably Simulate Real Students' Abilities in Mathematics and Reading Comprehension?
Mohamed bin Zayed University of Artificial Intelligence(莫莫德·本·扎耶德人工智能大学)
研究通过 NAEP 数据集和 IRT 模型评估 11 个 LLM 作为学生代理的可靠性,发现无指导时强模型优于普通学生,使用年级强制提示后仍无模型-提示对能跨学科年级匹配真实学生,呼吁新训练评估策略。
2025-07-11 cs.AI cs.CL
TaskEval: Assessing Difficulty of Code Generation Tasks for Large Language Models
SnT, University of Luxembourg(卢森堡大学SnT研究所);Huawei Distributed Scheduling and Data Engine Lab(华为分布式调度与数据引擎实验室)
TaskEval提出一种基于多样化提示和项目反应理论的框架,用于评估代码生成任务难度及LLM能力,通过分析基准任务特征和编程结构,辅助改进LLM评估。
2025-10-24 cs.AI cs.SE
AI-Driven Virtual Teacher for Enhanced Educational Efficiency: Leveraging Large Pretrain Models for Autonomous Error Analysis and Correction
Squirrel Ai Learning(松鼠AI学习);CASIA MAIS-NLPR(中国科学院自动化研究所模式识别国家重点实验室)
针对传统数学纠错耗时费力的问题,本文提出依托大语言模型的VATE虚拟AI教师系统,结合提示工程与错误池,实现自主错误分析纠正,已在松鼠AI平台部署,准确率达78.3%,有效提升学习效率。
2024-12-08 cs.AI cs.CV cs.MM
The Impact of Item-Writing Flaws on Difficulty and Discrimination in Item Response Theory
Machine Learning Department(机器学习系);Human-Computer Interaction(人机交互)
本研究通过7,126道STEM选择题,发现项目编写缺陷(IWF)与IRT难度和区分度显著相关,证明自动化IWF分析可作为传统验证的有效补充,用于初始项目筛选。
2025-08-07 cs.AI cs.CL cs.CY
Towards LLM-Empowered Knowledge Tracing via LLM-Student Hierarchical Behavior Alignment in Hyperbolic Space
本文提出L-HAKT框架,通过超几何空间中的层次行为对齐,提升知识追踪对认知状态层次演化和个性化问题难度感知的建模能力。
2026-02-26 cs.AI
Easy2Hard-Bench: Standardized Difficulty Labels for Profiling LLM Performance and Generalization
University of Maryland(马里兰大学);University of Waterloo(滑铁卢大学);Carnegie Mellon University(卡内基梅隆大学);California Institute of Technology(加州理工学院);Microsoft(微软);Capital One
本文提出 Easy2Hard-Bench,整合 6 个带数值难度标注的基准数据集,并利用 IRT 与 Glicko-2 评估六个先进 LLM 的难度相关性能与泛化能力。
2025-06-09 cs.AI cs.CL cs.LG
SMART: Simulated Students Aligned with Item Response Theory for Question Difficulty Prediction
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Cambium Assessment(Cambium评估)
本文提出SMART方法,利用直接偏好优化将模拟学生与指定能力对齐,通过LLM评分和IRT模型拟合预测开放式题目难度,解决了冷启动问题并在真实数据集上优于其他方法。
2025-09-18 cs.CL cs.CY cs.LG
Matching Supervision to the Student's Learning Capacity: A Unified Framework for On-Policy Self-Distillation
Tencent(腾讯)
本文针对在线自蒸馏的次优问题,提出统一在线自蒸馏(USD)框架,该框架通过耦合学习难度预算与师生 divergence,在多模型规模及推理基准上均优于基线方法。
2026-08-11 cs.AI cs.LG
Reliable and Efficient Amortized Model-based Evaluation
Stanford University(斯坦福大学);University of California, Berkeley(加利福尼亚大学伯克利分校);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对语言模型全面评估成本高、子集均值易受题目难度干扰的问题,本文训练难度预测器并结合给定难度的问题生成器实现自适应测试,在22个基准和172个模型上提升了评估可靠性与效率。
2025-03-17 cs.AI cs.CL cs.LG
Are LLMs (Really) Ideological? An IRT-based Analysis and Alignment Tool for Perceived Socio-Economic Bias in LLMs
University of Klagenfurt(克拉根福大学);Digital Age Research Center D’ARC(数字时代研究中心D’ARC)
提出基于 IRT 的两阶段框架,通过建模回答回避与已回答内容偏见,无主观标注地量化 LLM 社会经济偏见,发现现成模型更多是回避而非党派偏见。
2025-03-17 cs.AI cs.CL cs.CY
Implicit assessment of language learning during practice as accurate as explicit testing
University of Helsinki(赫尔辛基大学)
本研究在智能辅导系统中应用项目反应理论(IRT),证明通过高效适应性测试及直接从练习情境中隐性评估,均能准确估计学习者语言能力,且效果与显性测试相当。
2024-09-24 cs.AI cs.CL cs.CY
Course Difficulty Estimation Based on Mapping of Bloom's Taxonomy and ABET Criteria
Vellore Institute of Technology(韦洛尔理工学院)
目前的教育制度使用分数或分数来评估学生的表现。学生的分数或等级取决于不同的参数,主要参数是课程的难度水平。计算该难度水平可以作为学生和教师的支持,以确定成功完成课程所需的培训水平。在本文中,我们提出了一种方法,估计的难度水平的课程映射布卢姆的分类行动的话,随着工程技术认证委员会(ABET)的标准和学习成果。根据学生获得的成绩历史,对估计的难度水平进行验证。
2021-11-16 cs.AI cs.CY
A Unified Response Framework for Questions and Tutoring Dialogues
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Eedi;Khan Academy(可汗学院)
本研究提出统一IRT框架,建模学生问答与辅导对话子任务,利用辅导者动作正则化难度,在两类真实数学教育数据集上,该框架在问题难度与响应正确性预测上优于强基线。
2026-10-15 cs.CL cs.CY cs.LG
Student Use of LLMs and the Limits of AI-Generated Question Difficulty in Data Science Courses
本研究通过德雷塞尔大学数据科学课程的多源课堂研究,发现学生与LLM的互动随学期增加且存在过度依赖倾向,而LLM生成的MCQ难度评级与布鲁姆分类水平相关但无法预测实际题目难度,反映结构格式而非真实难度。
2026-09-24 cs.CY
Bayes Nets in Educational Assessment: Where Do the Numbers Come From?
Educational Testing Service(教育考试服务中心)
随着观察和学生模型变得复杂,利用技术和认知心理学进步的教育评估可以超越熟悉的测试模型和分析方法。在评估设计的门户概念框架内,贝叶斯推理网络(BINs)根据学生的言行记录了他们对知识和技能的信念。加入证据模型BIN片段-其中包含可观察变量和指向学生模型变量的指针-到学生模型允许人们在观察到达时更新关于知识和技能的信念。马尔可夫链蒙特卡罗(MCMC)技术可以从经验数据中估计所需的条件概率,并辅以专家判断或实质性理论。项目反应理论(IRT)和多变量潜在类建模的特殊情况下的细节,后者的一个数值例子。
2013-01-23 cs.AI cs.CY stat.AP
Fairness Evaluation with Item Response Theory
RMIT University(RMIT大学);Data61, CSIRO(Data61、联邦科学与工业研究组织);Universität der Bundeswehr München(慕尼黑联邦国防军大学)
本文提出Fair-IRT框架,首次将项目反应理论应用于公平性评估,通过提取预测模型的公平预测能力及个体的区分度和难度参数,并利用项目特征曲线的平坦度解耦不公平性,实验和案例研究验证了其在分类与回归任务中的有效性。
2024-10-20 cs.CY cs.LG
Does Difficulty even Matter? Investigating Difficulty Adjustment and Practice Behavior in an Open-Ended Learning Task
本文通过86人用户研究比较开放式学习任务中的难度调整方法,并识别练习行为类型及其与学习结果的关系,表明自适应干预应同时考虑练习表现和练习行为。
2023-11-03 cs.CY cs.HC
Gaining Insights into Group-Level Course Difficulty via Differential Course Functioning
Ruhr-Universität Bochum(鲁尔大学波鸿分校);Carnegie Mellon University(卡内基梅隆大学);University of California, Berkeley(加利福尼亚大学伯克利分校)
本文提出基于项目反应理论的差异课程功能(DCF)方法,在控制学生整体表现后检测不同群体间的课程难度差异,并利用两万余名学生数据验证其有效性,为教育公平干预提供依据。
2024-05-07 cs.CY cs.LG stat.AP
Estimating Exam Item Difficulty with LLMs: A Benchmark on Brazil's ENEM Corpus
Luxembourg Institute of Socio-Economic Research(卢森堡社会经济研究所);University of Luxembourg(卢森堡大学)
本文研究了LLM在估算考试题目难度上的表现,发现其在单模态问题上表现中等,但对多模态问题和人口统计数据提示的适应性有限,建议采用评估后再生成的流程进行负责任的评估设计。
2026-02-06 cs.CY
Hierarchical Multi-Armed Bandits for the Concurrent Intelligent Tutoring of Concepts and Problems of Varying Difficulty Levels
Columbia University(哥伦比亚大学);Aiphabet, Inc.(Aiphabet公司)
针对现有开源MAB智能辅导器匮乏的问题,提出一种开源易部署的分层MAB算法,可并行推进概念与题目学习、适配难度并评估记忆衰退,模拟实验验证其能有效提升学生成绩。
2024-08-10 cs.AI cs.CY cs.HC
The Course Difficulty Analysis Cookbook
Ruhr-Universität Bochum(博恩豪姆鲁尔大学);Carnegie Mellon University(卡内基梅隆大学)
本文首次系统综述并比较了基于平均绩点和潜在特质建模的课程难度评估方法,并提供模型选择、假设检验及实际应用的实操教程,同时发布开源软件包和人工数据集以支持公平、高质量的课程分析研究。
2025-08-17 cs.CY cs.LG stat.AP
LANA: Towards Personalized Deep Knowledge Tracing Through Distinguishable Interactive Sequences
Sichuan University(四川大学);Tencent Inc.(腾讯公司)
在教育应用中,知识追踪(KT),通过总结学生的知识状态来准确预测学生对未来问题的回答的问题,已经被广泛研究了几十年,因为它被认为是自适应在线学习的基本任务。由于神经网络的高度灵活性,在所有提出的KT方法中,深度知识跟踪(DKT)及其变体是迄今为止最有效的方法。然而,DKT往往忽视了学生之间的固有差异(例如记忆能力,推理能力,.),平均所有学生的表现,导致缺乏个性化,因此被认为不足以适应性学习。为了缓解这个问题,在本文中,我们提出了分层注意知识跟踪(LANA),它首先使用一种新的学生相关的特征提取器(SRFE),以提取学生的独特的固有属性从他们各自的互动序列。其次,枢轴模块被用来动态地重建神经网络的解码器上提取的特征的注意,成功地区分学生之间的表现随着时间的推移。此外,受项目反应理论(IRT)的启发,可解释的Rasch模型被用来聚类学生的能力水平,从而利用分层学习分配不同的编码器到不同的学生群体。通过pivot模块重构学生个体的解码器和群体的分层学习专用编码器,实现了个性化的DKT。在两个真实世界的大规模数据集上进行的广泛实验表明,我们提出的LANA将AUC分数提高了至少1.00%(即EdNet 1.46%和RAIEd2020 1.00%),大大超过了其他最先进的KT方法。
2021-04-21 cs.AI cs.CY cs.LG
Difficulty Generating Factors for Context-free Language Construction Assignments
本研究探究上下文无关语言构造任务的难度生成因素,提出呈现方式与语言结构两类共四个因素,实验证实三个因素显著影响文法构造表现,下推自动机任务无可靠结论,为自适应学习系统提供基础。
2025-08-03 cs.CY cs.FL
DAGKT: Difficulty and Attempts Boosted Graph-based Knowledge Tracing
Hefei University of Technology(合肥工业大学);Jianzai Tech(建在科技)
在智能教育领域,知识追踪(KT)越来越受到关注,它通过对学生掌握的知识概念进行估计和追踪,以提供高质量的教育。在KT模型中,问题和知识概念之间存在着自然的图结构,因此一些研究探索了图神经网络(GNNs)的应用,以改善没有使用图结构的KT模型的性能。然而,大多数教师忽视了问题的难度和学生的提问尝试。实际上,知识概念相同的试题难度不同,学生尝试的不同也代表着知识掌握的不同。在本文中,我们提出了一个困难和尝试推进基于图的KT(DAGKT),利用丰富的信息,从学生的记录。此外,设计了一种新的方法来建立问题的相似性关系的启发F1得分。在三个真实数据集上的实验证明了DAGKT的有效性。
2022-10-18 cs.CY cs.LG
Student Competency Assessment and Presentation Methods Based on Algorithm Courses
Tsinghua University(清华大学)
本研究基于CC2020能力模型,通过分析编程实验和书面作业数据,采用马尔可夫过程建模和行为序列分析,提出了一种评估算法课程中学生知识、技能和态度的可扩展框架,并识别学生聚类以支持个性化教学和课程优化。
2026-05-29 cs.CY
The impacts of various parameters on learning process and machine learning based performance prediction in online coding competitions
各种参数影响学生在在线编码比赛中的表现。学生的行为,方法,情绪和问题的难度水平显着影响他们的表现在网上编码比赛。我们组织了两次编码比赛,以了解上述参数的影响。我们在每次编码比赛结束时都做了在线调查,它包含了与在线编码比赛期间学生的行为,方法和情绪有关的问题。学生根据提交的时间和状态进行评估。我们已经进行了详细的分析,以解决学生的方法,行为和情绪对学习过程中的在线编码比赛的影响。根据提交的时间和状态,提出了两个难度级别。在这项研究工作中,难度水平对基于机器学习的性能预测的影响。根据时间,编码解决方案提交有两个类别“少于15分钟”和“超过15分钟”。根据提交状态,有三个等级:“完全解决”、“部分解决”和“根本未提交”。为两个编码竞赛找到了在15分钟内提交解决方案的适当方法。针对上述分类问题训练和评估机器学习分类器。情绪,情绪和难度水平对学习过程的影响也进行了评估,通过比较两个编码比赛的机器学习模型的结果。
2022-09-26 cs.CY cs.HC cs.LG
PEAK SHIFT ESTIMATION A novel method to estimate ranking of selectively omitted examination data
本文以考生选择性跳级的考试结果为研究对象,对这两种考试的难度水平进行比较。我们称之为“选择性省略的考试数据”。这种类型的考试的例子有大学入学考试、认证考试和学生求职活动的结果。我们可以知道每项考试的收生人数和机构,但不能知道考生的身份。没有研究关注这类数据。当我们知道这些考试的难度水平,我们可以得到一个新的指标来评估组织能力,有多少学生通过,考试的难度。这一指数将反映他们的教育成果,与考试观点相对应。因此,我们提出了一种新的方法,峰移估计,估计考试的难度水平的基础上选择性省略考试数据。首先,我们应用峰值偏移估计的模拟数据,并证明峰值偏移估计估计的排名顺序的大学入学考试的难度水平非常强大。Peak Shift Estimation也适用于估计大学的多层次规模,即A,B,C和D排名大学入学考试。我们将峰值偏移估计应用于东京都市圈的真实数据,并证明难度等级排名与真实排名之间的等级相关系数为0.844,80%的大学之间的差异在25个等级之内。因此,峰移估计的准确性较低,必须加以改进;然而,这是第一次研究,重点放在排名选择性省略的检查数据,因此,我们的贡献之一是阐明这种方法。
2021-03-09 cs.CY
Adaptation of the Multi-Concept Multivariate Elo Rating System to Medical Students Training Data
本研究将多概念变体Elo评分系统适配医学训练平台数据,评估其在真实场景下的性能,并提出用历史数据初始化估计值的方法以解决早期估计不精准问题,实验显示其预测准确率与逻辑回归模型相当,初始化方法可显著降低初始阶段误差。
2024-02-26 cs.CY
Uncertainty-preserving deep knowledge tracing with state-space models
Carleton College(卡尔顿学院);NWEA/HMH(NWEA/HMH公司)
针对现有方法无法兼顾历史信息与认知不确定性的问题,提出Dynamic LENS建模范式,结合变分自编码器与贝叶斯状态空间模型,在保持预测性能的同时量化了学生的认知不确定性。
2024-07-09 cs.CY cs.LG
Fostering Student Engagement in a Mobile Formative Assessment System for High-School Economics
在移动学习环境中,学生可以通过移动设备学习,而不受时间和空间的限制。因此,至关重要的是要开发工具,以帮助学生在这种环境中学习和评估他们的知识。本文提出了一种形成性自我评估的工具/应用程序。该工具支持根据用户定义的标准选择问题,这些标准涉及(1)难度级别;(2)相关概念;以及(3)考生的目的。所介绍的工具的主要目的是更好地支持参与者的学习目标,并增加他们在学习过程中的参与。本研究的重点是评估工具使用测验在微观经济学,以实现其在这一特定领域的潜力。教师和学生都参与了实验。实验结果表明,该工具是可用的,它激励学生,提高他们的理解
2021-06-21 cs.CY
A Preliminary Data-driven Analysis of Common Errors Encountered by Novice SPARC Programmers
答案集编程(ASP),逻辑编程的现代发展,使计算与STEM学科的自然整合。这种整合解决了K-12教育中广泛承认的挑战,基于ASP的整合的早期经验结果是有希望的。虽然与命令式程序设计语言相比,ASP被认为是一种简单的语言,但编程错误仍然是学生的一个重大障碍。这对于K-12学生来说尤其如此,他们是ASP的新手用户。对错误进行分类并测量其难度已经使人们对Java等命令式语言有了深入的了解。然而,很少有人知道的类型和困难的K-12学生使用ASP遇到的错误。为了解决这个问题,我们收集了高中学生在一个4节课的ASP语言教学研讨会上提交的程序。从这个数据集中的错误消息中,我们确定了一个错误类的集合,并测量每个类出现的频率以及解决的难度。
2022-08-05 cs.CY cs.PL
ReDefining Code Comprehension: Function Naming as a Mechanism for Evaluating Code Comprehension
针对 EiPE 代码理解题自动评分难以区分目的层与实现层回答的问题,提出函数命名评估法,并通过课程实验与 IRT 分析验证其有效性,同时发布开源自动评分 Python 包。
2025-03-15 cs.CY
Analyzing the Difficulty of Programming Assignments with Interpretable Knowledge Component Metrics
Aalto University(阿尔托大学);North Carolina State University(北卡罗来纳州立大学);University of California, Berkeley(加州大学伯克利分校);University of Pittsburgh(匹兹堡大学)
研究如何用知识组件(KC)理解编程入门课程作业难度与学生学习困境,分析基于KC的指标,如作业KC数量及连续作业间KC覆盖变化,揭示相关规律并提出分析框架。
2026-07-07 cs.CY cs.SE
Automatic Assessment of the Design Quality of Student Python and Java Programs
程序是计算机和人之间的一种通信方式,因此当学生接受编写程序的训练时,他们需要学会编写设计良好、可读的代码,而不是简单地正确运行的代码。教授提高可读性的好的设计实践的困难在于评估学生程序的劳动强度。通常评估设计质量涉及仔细阅读学生程序,以便提供个性化的反馈,这对教师来说自然是耗时的。我们提出了一个基于规则的系统,评估学生课程的设计质量,并提供个性化的,准确的反馈,如何提高他们的工作。为了研究其有效性,我们通过在线部署将该系统提供给学生,允许学生在提交作业之前接收反馈并进行修改。学生们从该系统中受益,与之前2到3年的学生提交相比,4个不同的作业(2个Python和2个Java)的设计质量缺陷率平均下降了47.84%。
2022-11-05 cs.CY cs.SE