지능형 교육의 발전과 함께, 컴퓨터 적응형 시험(CAT)이 교육 심리학과 딥러닝 기술을 통합하며 주목받고 있다. CAT는 시험 과정에서 가장 적합한 문항을 적응적으로 선택하여 효율적이고 정확하게 응시자의 능력을 평가하는 것을 목표로 한다. 그러나 CAT의 실시간 및 순차적 특성은 실질적인 환경에서 제약이 있으며, 특히 대규모 평가에서 상호 작용 비용이 높거나 심리 평가와 같이 노이즈 및 간섭을 최소화하는 것이 중요한 민감한 분야에서 문제가 된다. 이러한 한계를 극복하기 위해, 본 논문에서는 일회성 문항 선택을 통해 각 응시자에게 최적의 문항 세트를 선택하는 새로운 태스크인 One-shot Adaptive Testing (OAT)을 소개한다. 또한, 조합 최적화 관점에서 OAT를 위한 Personalization-guided Evolutionary question assembly framework인 PEOAT를 제안한다. PEOAT는 응시자 능력과 문항 난이도 간의 차이를 통합하는 개인화 인식 초기화 전략과, 다양한 초기 모집단을 구성하기 위한 멀티 전략 샘플링을 사용한다. 또한, 스키마 보존 교차 및 인지적으로 유도된 돌연변이를 통합하여 효율적인 탐색을 가능하게 하는 인지 향상 진화 프레임워크를 제안한다. 마지막으로, 적합성을 손상시키지 않으면서 다양성을 유지하기 위해 다양성 인식 환경 선택 메커니즘을 도입한다. PEOAT의 효과는 두 개의 데이터 세트에 대한 광범위한 실험을 통해 검증되었으며, 가치 있는 통찰력을 밝혀낸 사례 연구도 포함된다.
