如何使用函数```num_to_schoice()```？

Question

我想构建一个简单的概率练习，使得解只是一个介于 0 和 1 之间的小数（不同于 0 和 1）。我想使用函数 num_to_schoice，但是如果我写：

num_to_schoice(0.3,digits=1,range=c(0.1,0.9))

我收到错误消息：

NULL Warning message: In num_to_schoice(0.3, digits = 1, range = c(0.1, 0.9)) : specified 'range' is too small for 'delta'

有人可以解释一下函数 num_to_schoice 应该如何正确使用吗？

Answer 1

因为您的范围是 (0, 1)，所以您必须指定比默认值 (1) 更小的 delta。该函数计算出 5 个错误答案，因此每个答案都必须在您给出的范围内，并且与其他答案的距离足够远 delta。您还应该使用 "delta" 方法，因为包作者给出了以下建议：

Two methods can be used to generate the wrong solutions: Either simply runif or otherwise a full equi-distant grid for the range with step size delta is set up from which a discrete uniform sample is drawn. The former is preferred if the range is large enough while the latter performs better if the range is small (as compared to delta).

所以您可以尝试以下方法：

num_to_schoice(0.3, digits=1, range=c(0.1, 0.9), delta=0.05, method="delta")
#$solutions
#[1] FALSE FALSE FALSE  TRUE FALSE

#$questions
#[1] "[=10=].6$" "[=10=].5$" "[=10=].3$" "[=10=].4$" "[=10=].8$"

请注意，此函数包含随机性，因此您可能需要尝试几次才能出现有效的解决方案。继续忽略错误。

编辑：我确实尝试过几次，时不时地收到有关指定范围太小的警告，并返回 NULL 结果。其他时候该功能什么也没做，我不得不中止。帮助页面也有这个花絮：

Exercise templates using num_to_schoice should be thoroughly tested in order to avoid problems with too small ranges or almost identical correct and wrong answers! This can potentially cause problems, infinite loops, etc.

检查num_to_schoice函数，发现在接近尾部的地方有一个while循环，可能会卡在前面提到的"infinite loop"中。长话短说，看起来您需要将数字至少增加到 2，否则这个循环可能永远不会结束。我希望答案中有 2 位数是可以的。

num_to_schoice(0.3, digits=2, range=c(0.1, 0.9), delta=0.01, method="delta")

$solutions
[1] FALSE FALSE FALSE  TRUE FALSE

$questions
[1] "[=11=].23$" "[=11=].42$" "[=11=].22$" "[=11=].30$" "[=11=].54$"

我试了 10,000 次，它总是返回非空结果。

res <- NULL
for(i in 1:10000){
  res[[i]] <- num_to_schoice(0.3, digits=2, range=c(0.1, 0.9), delta=0.01, method="delta")
}
sum(sapply(res, function(x) any(is.null(x))))
# [1] 0

希望现在有用。

Answer 2

让我对@Edward (+1) 的现有答案补充几点：

如果您从序列 0.1, 0.2, ..., 0.9 中生成一个解决方案，并希望将剩余八个数字中的四个作为干扰项，我建议不要使用 num_to_schoice()。只有在 0.10、0.11、0.12、...、0.9 中移动到正确的解决方案时，我才会使用 num_to_schoice().

一位数字没有`num_to_schoice()`

您可以设置一个包含序列中所有九个数字的答案列表，将正确的答案排在第一位，然后使用 exshuffle 元信息标签进行实际抽样。

例如，在数据生成中你需要这样的东西：

sol <- 0.3
ans <- c(sol, setdiff(1:9/10, sol))
ans <- paste0("$", ans, "$")

然后您可以在问题中包含

answerlist(ans, markup = "markdown")
## Answerlist
## ----------
## * [=11=].3$
## * [=11=].1$
## * [=11=].2$
## * [=11=].4$
## * [=11=].5$
## * [=11=].6$
## * [=11=].7$
## * [=11=].8$
## * [=11=].9$

最后，元信息需要：

exsolution: 100000000
exshuffle: 5

然后这将使用正确的解决方案和八个错误答案中的四个 - 所有这些都是随机排列的。（请注意，上面使用 .Rmd 语法，对于 .Rnw 这需要相应地进行调整。）

两位数用`num_to_schoice()`

对于一位使用 num_to_schoice() 的场景，它试图做太多的事情，但对于多于一位的情况，它可能很有用。具体来说，num_to_schoice() 确保 正确解的等级 是非信息性的，即，正确的解可以是最小的、第二小的、...、最大的数在显示的序列中以相等的概率出现。具体来说，如果正确解在可能范围内的分布不均匀，这可能很重要。这就是以下代码有时会失败的原因：

num_to_schoice(0.3, digits = 1, delta = 0.1, range = c(0.1, 0.9))

在内部，这首先决定四个错误答案中有多少应该在正确答案 0.3 的左边。显然，左边最多有两个错误答案的空间，如果超过，可能会导致警告和 NULL 结果。移动到两位数可以解决这个问题，例如：

num_to_schoice(0.31, range = c(0.01, 0.99),
  digits = 2, delta = 0.03, method = "delta")

备注：

就个人而言，只有当正确的解决方案可能也有两位数时，我才会这样做。否则学生可能会选择这种模式。
您需要确保在正确答案的左侧和右侧至少有 4 * delta 以便有足够的空间容纳错误答案。
当然可以使用 delta = 0.01，但如果您想要更大的增量，那么 delta = 0.03 或 delta = 0.07 通常也是有用的选择。这是因为对于大多数学生来说，从具有这种增量的等距网格中采样通常不会引起注意。相比之下，通常可以快速拾取 0.05、0.1、0.02 等增量。

如何使用函数```num_to_schoice()```？

how to use the function ```num_to_schoice()```?

r

r-exams

一位数字没有`num_to_schoice()`

两位数用`num_to_schoice()`

如何使用函数```num_to_schoice()```？

how to use the function ```num_to_schoice()```?

r

r-exams

一位数字没有num_to_schoice()

两位数用num_to_schoice()

一位数字没有`num_to_schoice()`

两位数用`num_to_schoice()`