基于J2EE架构的通用的教学评价系统的设计与实现.docVIP

基于J2EE架构的通用教学评价系统的设计与实现 摘 要 基于目前数字化校园系统中教学评价模块的功能单一、模型固定和重复开发等问题，作者给出了一个通用的教学评价系统，该系统的主要功能流程、系统的体系结构和实现技术，以及所用到的两种重要算法：AHP法和BP神经网络。该系统可作为一个模块直接嵌入不同的网络教学平台与数字化校园系统，具有通用性强、扩充性好等优势，能有效的排除模型定制中人为因素的干扰，具有较强的实用和推广价值。关键词 评价模型 struts框架 AHP法 BP神经网络1 引言随着Internet应用的普及，网络化教学日益成为一种重要的教学手段和教学场所，作为网络化教学系统的一个模块，教学评价系统承担着监督教学效果、使教学双方形成有效交互与反馈以及对教学过程的决策取向产生直接参考依据的重要任务。但是，目前我国还没有网络化教学评价的基本标准，教学形式和教学对象的多样性也导致难以制定一个统一的标准。为了解决上述问题，本文给出了一个通用的教学评价系统，该系统不仅解决了重复开发造成的资源浪费，对不同的基于J2EE架构的网络教学系统或者数字化校园平台，只须把该系统作为一个模块嵌入其中，就可轻松实现评价功能，而且针对各种不同的需求，提供评价表单、权值的定制功能，教学单位可根据自己的实际情况选择使用AHP法、BP神经网络法或常规法定制适合自己的评价模型。前两种方法，本系统提供评价模型的生成和检验机制，用以保证所定制的模型符合用户需求，以最大程度排除人为因素的干扰，是本系统的核心和关键技术。2 相关算法介绍2.1 AHP法AHP是Analytic Hierarchy Process（层次分析法）的简称，它是一种定性和定量相结合的系统化、层次化的分析方法，适用于多目标、多准则的复杂评价问题。它能提供一种方法把定性的评价标准定量化，形成对每一评价指标的权值，由于它同时提供一致性检验从而可以保证所得权植的客观合理性。其主要步骤为：1) 建立层次结构模型2) 构造判断矩阵3) 层次单排序及其一致性检验4) 层次总排序及其一致性检验利用AHP法建模的关键在于判断矩阵的构造，这需要在建立层次结构之后进行两两标度比较，这项工作一般要由专家来做。2.2 BPNN法即BP神经网络法，又称误差逆传播学习算法，分为三层：输入层、隐含层和输出层。在具体应用该网络时分为网络学习及网络工作两个阶段。网络的学习过程由正向和反向传播两部分组成。在正向传播过程中，每一层神经元的状态只影响到下一层神经元网络。如果输出层不能得到期望输出，就是实际输出与期望输出值之间有误差，那么转入反向传播过程中，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，逐次向输入层传播去进行计算，再经过正向传播过程，这两个过程的反复运用，使得误差信号最小。当误差达到人们所希望的要求时，网络的学习过程就结束。在网络的工作阶段，根据训练好的网络权值及给定的输入向量，按照“模式顺传播”方式求得与输入向量相对应的输出向量的解答。BP网是一种反向传递并能修正误差的多层映射网络。当参数适当时，此网络能够收敛到较小的均方差，是目前应用最广的网络之一。使用BP神经网络来进行权值的定制是基于它具有能任意精度近似线性非线性函数的特性，把样本与权值组的映射关系看作一个非线性函数，用BP网络去近似这个函数，只要样本是合理的，那么得出的权值也是合理的。根据R.Hech-Nielson的论证，一个三层BP神经网络可以实现任意精度、任意连续函数的映射，故我们仅取一个隐含层。输入层和输出层的节点数，按实际应用需要而定。隐含层节点数的确定，跟输入层和输出层的神经元个数有关，但具体的定量关系目前仍无定论。按照Charence N.W.Tan和Gerhard E.Wittig(1993)的说法，一般情况下输入层、单个隐含层和输出层的神经元个数基本相等或呈金字塔结构时，BP模型的运行效果较好。因为取节点太少,网络不“强壮”，难以达到目的；取节点太多，使学习时间过长，误差不一定最小。3 系统的体系结构图1　系统总体结构图如图1为评价系统的总体结构图，从逻辑上可以把整个系统分成三个大的子系统，模型定制子系统、教务管理子系统和教学评价子系统，分别由模型管理员、教务管理员和评价用户来操控。每一用户登录时，首先查找自身的数据库，若数据库中没有该用户的身份认证信息，将访问平台系统数据库，从中取得用户的合法身份信息，并将有效用户存入评价系统自身的数据库，同时，根据用户的角色进入相应的功能页面。3.1 模型定制子系统中评价模型的定制分两步，第一步要从指标库中选取评价指标，对指标库的维护由模型管理员负责，评价指标分为两类，一类是定性描述指标，一类是定量指标，定量指标须从元数据集中选择指标所对应的元数据。元数据集是能够从网络教学系统提取的定量信息的数